SÉRIE: Probabilidade

INTRODUÇÃO

SUMÁRIO
1. COMBINATÓRIA............................................................................................................................................................. 5 1.1. CONJUNTOS ................................................................................................................................................................... 5 1.2. OPERAÇÕES COM CONJUNTOS ....................................................................................................................................... 5 1.3. APLICAÇÕES DOS DIAGRAMAS DE VENN ....................................................................................................................... 6 1.4. FATORIAL ...................................................................................................................................................................... 6 1.5. PRINCÍPIO FUNDAMENTAL DA CONTAGEM (PRINCÍPIO MULTIPLICATIVO) ....................................................................... 6 1.6. PERMUTAÇÕES (ARRANJOS) ......................................................................................................................................... 7 1.6.1. Permutações (arranjos) com itens duplicados ..................................................................................................... 8 1.6.2. Permutações (arranjos) com repetição ................................................................................................................ 8 1.7. COMBINAÇÕES. ............................................................................................................................................................. 8 1.8. O TEOREMA BINOMIAL. ................................................................................................................................................ 9 2. PROBABILIDADE .......................................................................................................................................................... 11 2.1. INTRODUÇÃO .............................................................................................................................................................. 11 2.2. MODELOS .................................................................................................................................................................... 11 2.2.1. Modelo determínistico ........................................................................................................................................ 11 2.2.2. Modelo não-determinístico ou probabilístico .................................................................................................... 11 2.3. EXPERIMENTO ALEATÓRIO (NÃO-DETERMINÍSTICO) .................................................................................................... 11 2.4. O ESPAÇO AMOSTRAL.................................................................................................................................................. 12 2.4.1. Definição ............................................................................................................................................................ 12 2.4.2. Classificação de um espaço amostra.................................................................................................................. 13 2.5. EVENTOS ..................................................................................................................................................................... 13 2.5.1. Combinação de eventos...................................................................................................................................... 13 2.5.2. Eventos mutuamente excludentes ....................................................................................................................... 14 2.6. CONCEITOS DE PROBABILIDADE .................................................................................................................................. 14 2.6.1. Definição clássica de probabilidade .................................................................................................................. 14 2.6.2. A definição de probabilidade como freqüência relativa .................................................................................... 15 2.6.3. Definição axiomática de probabilidade ............................................................................................................. 16 2.7. PROBABILIDADE CONDICIONADA E INDEPENDÊNCIA ................................................................................................... 17 2.7.1. Definição ............................................................................................................................................................ 17 2.7.2. Teorema da multiplicação .................................................................................................................................. 18 2.7.3. Independência de dois eventos ........................................................................................................................... 18 2.7.4. Teoremas da probabilidade total e de Bayes ..................................................................................................... 19 3. VARIÁVEIS ALEATÓRIAS .......................................................................................................................................... 21 3.1. INTRODUÇÃO .............................................................................................................................................................. 21 3.2. VARIÁVEL ALEATÓRIA DISCRETA ................................................................................................................................ 21 3.2.1. A função de probabilidade ................................................................................................................................. 21 3.2.2. Representação da função de probabilidade ....................................................................................................... 23 3.2.3. A função de distribuição acumulada .................................................................................................................. 23 3.2.4. Variável aleatória discreta (caracterização) ..................................................................................................... 24 3.3. DISTRIBUIÇÕES ESPECIAIS DE PROBABILIDADE DISCRETAS .......................................................................................... 25 3.3.1. A distribuição binomial ...................................................................................................................................... 26 3.3.2. Propriedades da distribuição binomial.............................................................................................................. 27 3.3.3. A distribuição Hipergeométrica ......................................................................................................................... 28 3.3.4. Propriedades da distribuição Hipergeométrica ................................................................................................. 28 3.3.5. A distribuição de Poisson ................................................................................................................................... 30 3.3.6. Propriedades da distribuição de Poisson........................................................................................................... 32 3.3.7. Relação entre as distribuições Binomial e Poisson............................................................................................ 33 3.4. VARIÁVEIS ALEATÓRIAS CONTÍNUAS ........................................................................................................................... 33 3.4.1. Cálculo de probabilidade com uma VAC ........................................................................................................... 33 3.4.2. A função de distribuição acumulada .................................................................................................................. 34 3.4.3. Variável aleatória contínua (caracterização) .................................................................................................... 35 3.5. DISTRIBUIÇÕES ESPECIAIS DE PROBABILIDADE CONTÍNUAS ......................................................................................... 36
Prof. Lorí Viali - viali@mat.pucrs.br - http://www.mat.pucrs.br/~lori/

3

SÉRIE: Probabilidade

INTRODUÇÃO
3.5.1. A distribuição uniforme...................................................................................................................................... 36 3.5.2. Propriedades da distribuição uniforme.............................................................................................................. 36 3.5.3. A distribuição exponencial ................................................................................................................................. 37 3.5.4. Propriedades da distribuição Exponencial ........................................................................................................ 38 3.5.5. A distribuição normal......................................................................................................................................... 39 3.5.6. Propriedades da distribuição normal................................................................................................................. 39 3.5.7. Tabelas ............................................................................................................................................................... 40 3.5.8. Relação entre as distribuições Binomial e Normal ............................................................................................ 41 3.6. PROPRIEDADES DA MÉDIA E VARIÂNCIA DE VARIÁVEIS ALEATÓRIAS ........................................................................... 42 3.6.1. Média.................................................................................................................................................................. 42 3.6.2. Variância ............................................................................................................................................................ 43 3.6.3. A mediana e a moda ........................................................................................................................................... 43 3.6.4. Desigualdades de Tchebycheff e Camp-Meidell................................................................................................. 43 4. EXERCÍCIOS .................................................................................................................................................................. 45 5. RESPOSTAS DOS EXERCÍCIOS ................................................................................................................................. 54 6. REFERÊNCIAS ............................................................................................................................................................... 58

Prof. Lorí Viali - viali@mat.pucrs.br

- http://www.mat.pucrs.br/~lori/

4

SÉRIE: Probabilidade

INTRODUÇÃO

1. COMBINATÓRIA
1.1. CONJUNTOS
As idéias básicas da teoria dos conjuntos foram desenvolvidas pelo Matemático Alemão Georg Cantor (1845-1918) em 1875 mais ou menos. A palavra conjunto é indefinida. Para escrever um conjunto usam-se chaves. Os elementos de um conjunto são escritos separados por vírgula e a ordem em que são escritos é irrelevante. Se o conjunto é infinito usa-se três pontos para indicar o fato. O nome de um conjunto é escrito com letra maiúscula, enquanto os dos seus elementos com letra minúscula. Alguns conjuntos tem representação especial como, por exemplo, o conjunto dos números naturais: ℵ. O número de elementos de um conjunto é denominado de número cardinal ou simplesmente cardinal do conjunto. Representa-se por n(A) e lê-se “ene de A”. Em muitas situações existe a idéia declarada ou implícita de um universo de discurso. Este universo inclui todas as coisas em discussão a um dado tempo. Com conjuntos, o universo do discurso é denominado de conjunto universal ou conjunto universo. Este conjunto é normalmente representado pela letra U. O conjunto universo pode variar de situação para situação. A idéia de conjunto universal foi dada pelo logicista John Venn (1834-1923) que desenvolveu diagramas de conjuntos conhecidos como Diagramas de Venn. Venn comparou o conjunto universo ao nosso campo de visão. Ele mantém as coisas que focamos e ignora tudo o resto.

1.2. OPERAÇÕES COM CONJUNTOS
O complemento de um conjunto A, representado por A ou A’, é o conjunto de todos os elementos de U que não são elementos de A, ou A’ = { x | x ∈ U e x ∉ A } A interseção dos conjuntos A e B, representada por A∩B, é o conjunto formado pelos elementos comuns a A e a B, ou A∩B = { x | x ∈ A e x ∈ B } Dois conjuntos A e B que não possuem elementos em comum, isto é, tais que A∩B = ∅ são denominados conjuntos disjuntos. A união de dois conjuntos A e B, representada por AUB, é o conjunto de todos os elementos pertencentes tanto a A quanto a B, ou AUB = { x | x ∈ A ou x ∈ B } A diferença entre os conjuntos A e B, escrita A - B, é o conjunto de todos os elementos que pertencem ao conjunto A e não ao B, ou A-B={x|x ∈Aex∉B} Observação: Ao escrever um conjunto que contém vários elementos, a ordem em que os elementos aparecem não é relevante. Por exemplo, { 5, 1 } = { 1, 5 }. No entanto, existem muitas situações na Matemática onde a ordem de dois ou mais objetos é importante. Isto leva a idéia de par ordenado. Quando escrever um par ordenado use parênteses ao invés de chaves que são reservadas para escrever conjuntos. No par ordenado (a, b), “a” é denominado de primeira componente e “b” é chamada de segunda componente. Em geral (a, b) ≠ (b, a).
Prof. Lorí Viali - viali@mat.pucrs.br - http://www.mat.pucrs.br/~lori/

5

SÉRIE: Probabilidade

INTRODUÇÃO

Assim AxB = { (a, b) | a ∈ A e b ∈ B }. Note-se que AxB não é igual a BxA, embora a ordem em que os pares são escritos dentro de cada conjunto não seja importante, o que importa é a ordem dentro do par e não entre pares. Se n(A) = a e n(B) = b então n(AxB) = ab.

1.3. APLICAÇÕES DOS DIAGRAMAS DE VENN
Os diagramas de Venn podem ser usados para ilustrar propriedades das operações entre conjuntos. Por exemplo, verificar que a operação entre conjuntos A - B é igual a A∩B’ Outras propriedades que podem ser verificadas através dos diagramas são: As leis de De Morgan (em homenagem ao lógico Britânico Augustus de Morgan (18051871)): (A∩B)’ = A’UB’ U (AUB)’ = A’∩B’ A B Propriedade comutativa: AUB = BUA A∩B = B∩A Propriedade associativa: C (AUB)UC = AU(BUC) (A∩B)∩C = A∩(B∩C) Propriedade distributiva: A∩(BUC) = (A∩B)U(A∩C) AU(B∩C) = (AUB) ∩(AUC) Propriedades da identidade: AU∅ = A A∩U = A

Figura 1.1- Exemplo de um diagrama de Venn

1.4. FATORIAL
Um professor comprou 5 novos livros e quer colocá-los lado a lado em uma estante. Quantos maneiras diferentes existem de colocar os 5 livros? Para o primeiro espaço, existem 5 escolhas possíveis, uma para cada livro. Uma vez colocado o primeiro livro, restam 4 escolhas para o segundo espaço e assim por diante. Então o número de escolhas diferentes é: 5.4.3.2.1 = 120. Este tipo especial de multiplicação tem um símbolo próprio: 5!. De um modo geral se dispomos de um número n, então o produto acima é representado por n! e é lido “ene fatorial”, isto é: n! = n(n - 1)(n - 2) ... 3.2.1 e têm-se também que 0! = 1 A relação n! = n(n -1)! poderá ser útil em algumas situações.

1.5. PRINCÍPIO FUNDAMENTAL DA CONTAGEM (PRINCÍPIO MULTIPLICATIVO)
Suponha que se possa fazer “n” escolhas independentes com:

Prof. Lorí Viali - viali@mat.pucrs.br

- http://www.mat.pucrs.br/~lori/

6

existem 8 possíveis triagramas. r) = n(n ...SÉRIE: Probabilidade INTRODUÇÃO •m1 maneiras de fazer a escolha 1. hexagramas.1)(n ... O número de permutações de “n” objetos distintos tomados em grupos de “r”. existem então: 2..2 = 8 triagramas diferentes. tomados “r” a cada vez.. é possível desenvolver uma abordagem mais eficiente.. tem-se: P(n.2 Calcular cada permutação: P(4.br/~lori/ 7 ..... 1. r) = n! / (n . e é a imagem de um lago.. certos conjuntos de objetos. receptiva) e yang (ativa...1)(n . • mn maneiras de fazer a escolha n. 3) = 7. um sobre o outro..http://www. Aplicando o princípio fundamental da contagem a agrupamentos deste tipo. [n ....2. criativa).. Existem duas escolhas para cada posição e como são 3 posições. (a) Quantos triagramas diferentes existem? (b) Os triagramas são agrupados juntos...2.6..... brilhante.3. (b) Para cada posição no hexagrama. o “Joyous”. ou arranjos... o triagrama é chamado de Tui.4.... Então existem m1.. onde r ≤ n.. denominadas de triagramas.5 = 210 P(5...2) . r).viali@mat.br ... de “n” objetos distintos... r) = n(n .8 = 64 hexagramas. PERMUTAÇÕES (ARRANJOS) Uma permutação consiste do número de possíveis maneiras de arranjar.3 = 12 P(7. é dado por: P(n.2) ..r)! Prof. . Embora o princípio fundamental da contagem pode ser aplicado a questões de arranjar.mn maneiras diferentes de fazer a seqüência inteira de escolhas.pucrs..1)]. dando então: 8.. Exemplo 1. em pares conhecidos como. A filosofia descreve a dualidade do universo em termos de duas forças primárias: yin (passiva..r + 1). 5) = 5. Quantos hexagramas existem? Solução: (a) A escolha reside entre duas linhas para cada uma das 3 posições do triagrama. Estas linhas são escritas uma sobre as outras em grupos de três..m2... A energia yin é representada por uma linha pontilhada (---) e a yang por uma linha sólida (). • ..... Lorí Viali ..1 Um antigo trabalho da filosofia chinesa conhecido como I Ching (Livro das Mutações) é às vezes usada como um oráculo do qual as pessoas podem procurar e obter conselhos. onde “r” é menor que “n” é representado por P(n.. 2) = 4. Por exemplo.mat.. escura. . Simplificando o último fator acima vem: O número de permutações .(r . (n .6. Cada hexagrama representa um aspecto da filosofia I Ching. ou ordenar..... •m2 maneiras de fazer a escolha 2.1 = 120 = 5! O número de permutações pode ser expresso em função do fatorial da seguinte forma: P(n.pucrs. Exemplo 1...

. Uma vez que. se está lidando com itens duplicados e não com repetições. onde são permitidas as repetições. não que um único “o” é repetido.SÉRIE: Probabilidade INTRODUÇÃO 1. B.1. ozo. das letras.3 = 32 = 9. P } o número de seqüências possíveis é. outros. mas apenas a combinação de números. COMBINAÇÕES.pucrs.br/~lori/ 8 . Então o número de permutações (arranjos). Uma bola é extraída e após anotada a sua cor volta para a urna. Desta forma. n2 = 3 ( o “t” ocorre 3 vezes).viali@mat. da palavra zoo. 1. das quais n1 = 2 (o “s” ocorre duas vezes). por exemplo. Então. r) ou por: ç ÷ . é dado por: nr.2. etc. P E R M U T A Ç ÕE S ( ARRANJ OS ) COM ITENS DUPLICADOS Permutações também podem ser realizadas com itens duplicados.3 Quantos arranjos distintos podem ser feitos com as letras da palavra “estatística”? Solução: Neste caso tem-se um total de 11 letras.http://www. n3 = 2 ( o “a” ocorre duas vezes) e n4 = 2 ( a letra “i” ocorre duas vezes).mat. de quantas maneiras diferentes pode-se arranjar a palavra zoo? (A idéia aqui é que o conjunto. Permutações (arranjos) onde a ordem não interessa são denominadas de combinações.. 1.nk!) Exemplo 1. r) = nr Exemplo 1. o número de arranjos diferentes (ou distinguíveis) é: 3! / 2! = 3 (zoo. ooz) Desta forma. até nk. Então uma segunda bola é extraída e anotada igualmente a cor. Lorí Viali .7. Quantas são as possíveis seqüências de cores observadas? Solução: Como cada extração fornece uma cor entre { V. Por exemplo. dois “o” podem ser arranjados em 2! diferentes maneiras.pucrs. O número de combinações de “n” objetos tomados em grupos de “r” é representado por C(n. a quina. não é necessário saber a ordem em que os números foram sorteados. o mesmo elemento pode ocorrer mais de uma vez. brancas e pretas. então o número de arranjos distinguíveis de todos os “n” objetos é dado por: n! / (n1!n2!. não necessariamente distintos. isto é. n2 que são idênticos entre si. Existem certos arranjos onde a ordem entre os elementos não é importante. para calcular a probabilidade de acertar a sena. existem: 11! / 2! 3! 2! 2! = 831 600 arranjos distintos de letras da palavra “estatística”.4 Uma urna contém bolas vermelhas.6.6. P E R M U T A Ç ÕE S ( ARRANJ OS ) COM REPETIÇÃO Considere-se “n” elementos tomados “r” a “r”.br . mas diferentes dos primeiros n1 e assim sucessivamente . pelo princípio fundamental da contagem: 3. contém dois elementos “o” indistingüíveis. pode-se definir: Se uma coleção de “n” objetos contém n1 que são idênticos. æ nö èr ø Prof. isto é: P(n.

. 1....2ø æ nö è 2ø æ nö è1ø æ nö è 0ø + ... r) / r! = n! / r!(n ... pois uma dada mão de cartas depende apenas das cartas que ela contém e não da ordem específica que elas foram dadas....... mostrando uma parte do triângulo. + ç ÷ x2yn-2 + ç ÷ xyn-1 + ç ÷ yn Um outro método de encontrar os coeficientes dos termos da expansão binomial é dado pelo triângulo de Pascal (ou Tartaglia....viali@mat.. Examinando estas expressões pode-se identificar um padrão....pucrs... que pode ser escrito como: (x + y)n = ç ÷ xn + ç æ nö è nø æ n ö n-1 æ n ö n-2 2 ÷x y+ ç ÷x y è n .8..47! = 2 598 960. 5) = 52! / 5!...... r) = P(n... abaixo.........br .... retiradas de um baralho padrão de 52 cartas.. (x + y)1 = x + y (x + y)2 = x2 + 2xy + y2 (x + y)3 = x3 + 3x2y + 3xy2 + y3 (x + y)4 = x4 + 4x3y + 6x2y2 + 4xy3 + y4 .. Pode-se observar que a soma de cada linha do triângulo acima é 2n onde n é o número da linha.. denominadas de expansão binomial... aplica-se o conceito de combinação: Assim C(52... O TEOREMA BINOMIAL. de “n” objetos tomados em grupos de “r”. para a segunda: 1 + 1 = 21. Este triângulo expresso como coeficientes fica: Prof.r)! Exemplo 1.... Avaliar a expressão (x + y)n para vários valores de “n” fornece uma família de expressões. Neste caso.. que são importantes na Matemática... Assim para a primeira linha tem-se 1 = 20...5 Uma forma comum de pôquer consiste em mãos (conjuntos) de cinco cartas cada...mat..... ou subconjuntos........pucrs.SÉRIE: Probabilidade INTRODUÇÃO O número de combinações. onde cada número no triângulo pode ser encontrado somando-se os dois números imediatamente superiores a ele.........http://www... de acordo com NOG75).... para a terceira 1 + 2 + 1 = 22 e assim por diante. 1 1 1 1 2 1 1 3 3 1 1 4 6 4 1 1 5 10 10 5 1 1 6 15 20 15 6 1 ...... Quantas mãos diferentes são possíveis? Solução: Neste caso a ordem não é importante................ Algumas expansões de (x + y)n estão listadas abaixo..... Veja-se o exemplo..1ø è n .......br/~lori/ 9 ..... principalmente na teoria probabilística. então.. onde r ≤ n é dado por: C(n. Lorí Viali .

Pelo triângulo fica fácil verificar a validade da relação de Stiefel: ç ÷ = ç n ≥ 2. Lorí Viali ....http://www.. A segunda linha do triângulo contém os coeficientes do desenvolvimento de (x + a)1.......viali@mat... è r . A terceira linha do triângulo contém os coeficientes do desenvolvimento de (x + a)2 e assim por diante..rø æ nö èr ø æ n − 1ö ÷ è r ø + ç æ n − 1ö ÷..br/~lori/ 10 .pucrs.mat... A propriedade vista de que a soma das linhas é igual a 2n pode então ser expressa como: n æ nö n åç ÷ = 2 ... E também que: ç ÷ = ç æ nö èr ø æ n ö ÷ è n ..pucrs.....br .... çr ÷ r =0 è ø Prof. Note que a primeira linha do triângulo contém os coeficientes do desenvolvimento de (x + a)0...1ø para ......SÉRIE: Probabilidade INTRODUÇÃO æ0ö ç ÷ ç0÷ è ø æ1 ö æ1ö ç ÷ ç ÷ ç 0 ÷ ç1÷ è ø è ø 2 ö æ 2 ö æ 2ö æ ç ÷ ç ÷ ç ÷ ç 0 ÷ ç1 ÷ ç 2÷ è ø è ø è ø æ 3ö æ 3ö æ3ö æ 3ö ç ÷ ç ÷ ç ÷ ç ÷ ç 0 ÷ ç1 ÷ ç 2 ÷ ç 3 ÷ è ø è ø è ø è ø 4 æ 4ö 4 æ 4ö æ 4ö æ ö ç ÷ æ ö ç ÷ ç ÷ ç ÷ ç ÷ ç ÷ ç ÷ ç ÷ ç 0 ÷ ç1 ÷ è ø è ø è 2ø è 3 ø è 4ø ......

pucrs. Lorí Viali .SÉRIE: Probabilidade INTRODUÇÃO 2. E2: Joga-se uma moeda 4 vezes e o observa-se o número de caras obtido. conforme o estabelecido em 1927.pucrs. 2. o lançamento de um dado onde se tenta prever o número da face que irá sair. quando. pelo físico alemão W. É utilizado quando se tem um grande número de variáveis influenciando o resultado e estas variáveis não podem ser controladas.mat. Se R e I forem conhecidos. a lei de Ohm. Convém lembrar que os exemplos dados são de fenômenos para os quais modelos probabilísticos são adequados e que por simplicidade. firmemente apegada à lei da “causa e efeito”.1. 2. M OD E L O N Ã O .2. poder-se-ia. a retirada de uma carta de um baralho. 2. Tome-se. PROBABILIDADE 2. Por isto é necessário ilustrar o conceito um grande número de vezes para que a idéia fique bem clara. por exemplo. mas também o que é que deverá ser observado. o futuro até a eternidade. INTRODUÇÃO A ciência manteve-se até pouco tempo atrás. E1: Joga-se um dado e observa-se o número obtido na face superior. V = I. Quando o efeito esperado não se concretizava.2. Heinsenberg. Tome-se por exemplo. toda a vez que se emprega Matemática com a finalidade de estudar algum fenômeno deve-se começar por construir um modelo matemático.D E T E R M I N Í S T I C O OU PR OB A B I L Í S T I C O É um modelo em que de antemão não é possível explicitar ou definir um resultado particular. EXPERIMENTO ALEATÓRIO (NÃO-DETERMINÍSTICO) Não existe uma definição satisfatória de Experimento Aleatório. Sabe-se hoje.R. de fato. Prof. a partir daí. Neymann. 2. Note-se a diferença entre E2 e E3. através do princípio da incerteza . predizer com certeza. Segundo Laplace (Pierre Simon) uma vez conhecidas a vizinhança.3. atribuía-se o fato ou a uma falha na experiência ou a uma falha na identificação da causa. que não é bem assim. etc.1. o que deveria ser dito é “modelo não-determinístico aplicado a um experimento”. Ao descrever um experimento aleatório deve-se especificar não somente que operação ou procedimento deva ser realizado. a velocidade e a direção de cada átomo no universo. Que não existem meios que permitam determinar os movimentos dos elétrons individuais se conhecido a sua velocidade.br .viali@mat. O modelo estocástico é caracterizado como um modelo probabilístico que depende ou varia com o tempo. Não poderia haver quebra da cadeia lógica.2. determinam o resultado do experimento. M OD E L O DETERMÍNISTICO Neste modelo as condições sob as quais o experimento é executado. Este modelo é especificado através de uma distribuição de probabilidade.br/~lori/ 11 . MODELOS Conforme J. são denominados de experimentos aleatórios.http://www. E3: Joga-se uma moeda 4 vezes e observa-se a seqüência de caras e coroas.2. Este modelo pode ser: determinístico ou então probabilístico. então V estará precisamente determinado.

4. (6. ckkc. 8.1 Determinar o espaço amostra dos experimentos anteriores.1. kckc. 3. 3). (5.. kkkk } S4 = { 3. 1). 6) (5.mat. 4). mas pode-se descrever todos os resultados possíveis 3. deve-se ficar atento para o que se está observando ou mensurando. (4. 2. Não se pode adiantar um resultado particular. 1). 7. (3. 5. 1. 4).pucrs. (5.br . (3. 6) (4. 4. 3). E5: Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. 5). 6) (3. Se repetidos muitas vezes apresentarão uma regularidade em termos de freqüência de resultados. 4). 7. (5. 1). 6) (2. As peças são retiradas uma a uma (sem reposição) até que a última defeituosa seja encontrada. 5).pucrs. O ESPAÇO AMOSTRAL 2. 11. kkck. 2. (2. E ou Ω. 5. 9 . kccc. 4). 2). (3. cckk. Conta-se o número de peças retiradas. 5). 2. (4. Anota-se por S. 6 } S2 = { 0. 4.4. 5). ckck. 3). Exemplo 2. (6. (1. D E FI N I Ç Ã O É o conjunto de todos os resultados possíveis de um experimento aleatório. (1. (3. kcck. 6. Lorí Viali . 4 } S3 = { cccc. ckcc. 4). Características dos Experimentos Aleatórios Observando-se os exemplos acima pode-se destacar algumas características comuns: 1. E8: Lançam-se dois dados e anota-se o par obtido. Prof. (4. 6) } Ao descrever um espaço amostra de um experimento. 5).viali@mat. S1 = { 1. 2). 5. (6. (6.SÉRIE: Probabilidade INTRODUÇÃO E4: Um lote de 10 peças contém 3 defeituosas. 1). Podem ser repetidos indefinidamente sob as mesmas condições. . 2. E6: Lança-se uma moeda até que ocorra uma cara e conta-se então o número de lançamentos necessários. (5. 12 } S8 = { (1. (4. 3. kkcc. 3.http://www. (2. (1. 2). 3. 10 } S5 = { t ∈ℜ / t ≥ 0 } S6 = { 1. (5. (2. (1. } S7 = { 2. 4. kckk. E7: Lançam-se dois dados e anota-se o total de pontos obtidos. (6. 1). 2). 10. 2). kkkc. 6. 2). 5).br/~lori/ 12 . (3. Si refere-se ao experimento Ei.. 9. ckkk. 2. 5. (2. Deve-se observar ainda que nem sempre os elementos de um espaço amostral são números. ccck. 3). 1). Deve-se falar em “um” espaço amostral associado a um experimento e não de “o” espaço amostral. 8. cckc. (2. 4). (1. 3). 3). 6) (6. (4.4.

#(S) = n então o número de eventos possíveis é #P(A) = 2n. A menos B ou A diferença B.5.5. isto é. S4.4. então.2. isto é.br/~lori/ 13 . (i) Enumeráveis (ou contáveis): S6 (ii) Não-enumeráveis (ou não contáveis): S5 2. anota-se A .SÉRIE: Probabilidade INTRODUÇÃO 2. o resultado for um elemento de A. anotado por A∩B ou AB.1. conforme exemplos anteriores pode ser classificado em: (a) Finito. C L A S S I F I C A Ç Ã O DE UM ESPAÇO AMOSTRA Um espaço amostral.http://www. A∩B ∩ 3. Prof.mat. Antes de definir as operações é conveniente conceituar o que se entende por ocorrência de um evento. se e somente A ocorre e B ocorre. Se S é finito. infinito enumerável. Diz-se que ocorre o evento: 1. S7 e S8 (b) Infinitos.br . Lorí Viali . A união B ou A soma B.pucrs. Seja A um evento de S. Assim tem-se que: S é o evento certo. A∪B ∪ 2. 2. S2. Seja E um experimento com um espaço amostra associado S. EVENTOS DEFINIÇÃO: Qualquer subconjunto se um espaço amostra S é denominado evento. É dito que o evento A ocorre se realizada a experiência. se e somente se A ocorre ou B ocorre. C O M B I N A Ç Ã O DE EVENTOS Pode-se realizar operações entre eventos da mesma forma que elas são realizadas entre conjuntos. Sejam A e B dois eventos de um mesmo espaço amostra S. Se o espaço amostra é infinito não-enumerável é possível construir subconjuntos que não são eventos. se e somente se A ocorre e B não ocorre.viali@mat. se executado E.B. anotado por A∪B.pucrs. São os espaços: S1. S3. A produto B ou A interseção B. Convém observar que tecnicamente todo subconjunto de um espaço amostra é um evento apenas quando ele for finito ou. { a } é o evento elementar e ∅ é o evento impossível.

5. se eles não puderem ocorrer juntos.br .br/~lori/ 14 . isto é. Seja A ⊆ S um evento com “m” elementos. lê-se pe de A. anotada por P(A). a definição freqüencial e a definição axiomática.6. anotado por A .pucrs. se A∩B = ∅.SÉRIE: Probabilidade INTRODUÇÃO A-B 4. 5 } m = #(B) = 3 então P(B) = m / n = 3 / 6 = 50% Prof. 3. AC ou ainda A’ se e somente se A não ocorre. 3. A definição clássica. A' 2. Lorí Viali . são denominados mutuamente exclusivos ou excludentes. 2. Exemplo 2.mat.67% (b) B = { 1.2. CONCEITOS DE PROBABILIDADE Existem três formas de se definir probabilidade.http://www. 2. (b) Um resultado ímpar. 4. 6 } n = #(S) = 6 (a) A = { 4 } m = #(A) = 1 então P(A) = m / n = 1 / 6 = 16.5. E V E N T O S M U T U A M E N T E E XC L U D E N T E S Dois eventos A e B. D E F I N I Ç Ã O CLÁSSICA DE PROBABILIDADE Seja E um experimento aleatório e S um espaço amostra associado formado por “n” resultados igualmente prováveis.viali@mat. a probabilidade do evento A é o quociente entre o número “m” de casos favoráveis e o número “n” de casos possíveis. Solução: S = { 1. é definida como sendo: P(A) = m / n Isto é.1. A probabilidade de A.pucrs.6. 2.2 Calcular a probabilidade de no lançamento de um dado equilibrado obter-se: (a) Um resultado igual a 4. O complementar de A.

As duas se igualam apenas no limite. Então. se e somente se. é o quociente: frA = m / n = (número de vezes que A ocorre) / (número de vezes que E é repetido) Exemplo 2. (ii) A definição não pode ser aplicada quando o espaço amostral é infinito.http://www. (iv) frAUB = frA + frB se A e B forem eventos mutuamente excludentes. A nunca ocorre nas “n” repetições de E. Então a freqüência relativa do evento A = { face 6 } é: frA = 18 / 100 = 0. Em geral. Lorí Viali . A probabilidade avaliada através deste processo é denominada de probabilidade empírica. Sejam frA e frB as freqüências relativas de A e B respectivamente. isto é. a freqüência relativa do evento A é um número que varia entre 0 e 1.br . Prof.mat. Neste caso é necessário ter um método de aproximação desta probabilidade.br/~lori/ 15 . Então a probabilidade de A é definida como sendo o limite de frA quando “n” tende ao infinito. (i) 0 ≤ frA ≤ 1. Então a freqüência relativa de “caras” é: frA = 102 / 200 = 0.pucrs. Definição Seja E um experimento e A um evento de um espaço amostra associado S. Então a freqüência relativa do evento A. Um dos métodos utilizados é a experimentação que objetiva estimar o valor da probabilidade de um evento A com base em valores reais.51 = 51% (ii) Um dado foi lançado 100 vezes e a face 6 apareceu 18 vezes.2. (iii) frA = 0.pucrs. Freqüência relativa de um evento Seja E um experimento e A um evento de um espaço amostra associado ao experimento E. Suponhamos que E é repetido “n” vezes e seja frA a freqüência relativa do evento. A ocorre em todas as “n” repetições de E.18 = 18% Propriedades da freqüência relativa Seja E um experimento e A e B dois eventos de um espaço amostra associado S. porque está definindo essencialmente a probabilidade com seus próprios termos.viali@mat. A DEFINIÇÃO DE PROBABILIDADE COMO FREQÜÊNCIA RELATIVA Na prática acontece que nem sempre é possível determinar a probabilidade de um evento.3 (i) Uma moeda foi lançada 200 vezes e forneceu 102 caras. anotada por frA. Ou seja: P(A) = lim fr A n→∞ Deve-se notar que a freqüência relativa do evento A é uma aproximação da probabilidade de A. já que a idéia de “igualmente provável” é a mesma de “com probabilidade igual”. isto é.SÉRIE: Probabilidade INTRODUÇÃO Crítica à definição clássica (i) A definição clássica é dúbia. (ii) frA = 1 se e somente se. razoavelmente grande a frA é uma boa aproximação de P(A). para um valor de n. 2.6. a definição é circular. Suponha-se que E seja repetido “n” vezes e seja “m” o número de vezes que A ocorre nas “n” repetições de E.

A) e A∩(B . Prof.B)∪(A∩B) e (A . pela propriedade 3. (iv) Se A1.6. eventos mutuamente excludentes. 2. isto é.. . (ii) Se A e A são eventos complementares então: P(A) + P( A ) = 1 ou P( A ) = 1 . embora útil na prática. An. A cada evento A ⊆ S associa-se um número real.P(A) Prova Tem-se que A∩ A = ∅ e A∪ A = S.. .. como o ponto e a reta o são na geometria.br/~lori/ 16 . foi desenvolvida uma teoria moderna. Então: P(A) = P(A∪∅) = P(A) + P(∅).http://www. D E F I N I Ç Ã O A XI O M Á T I C A D E P R O B A B I L I D A D E Seja E um experimento aleatório com um espaço amostra associado S. A2. forem.B) ∩(A∩B) = ∅ Logo P(A) = P((A . dois a dois. Cancelando P(A) em ambos os lados da igualdade segue que P(∅) = 0.B) + P(A∩B). (iii) Se A ⊆ B então P(A) ≤ P(B) Prova Tem-se: B = A∪(B .B ) = P(A) .pucrs..P(A∩B).pucrs.3.viali@mat.mat.A) e como P(B .SÉRIE: Probabilidade INTRODUÇÃO Crítica à definição freqüencial Esta definição. apresenta dificuldades matemáticas. A e ∅ são mutuamente excludentes. Então: 1 = P(S) = P(A∪ A ) = P(A) + P( A ). pois o limite pode não existir. na qual a probabilidade é um conceito indefinido.A) = ∅ Assim P(B) = P(A∪(B . então: P( 7 Ai) = å P( Ai) i=1 i=1 n n Conseqüências dos axiomas (propriedades) (i) P(∅) = 0 Prova Seja A ⊆ S então tem-se que A∩∅ = ∅. Em virtude dos problemas apresentados pela definição clássica e pela definição freqüencial. representado por P(A) e denominado “probabilidade de A”. pela propriedade 3. Do que segue: P(A .A)) = P(A) + P(B .br ..A) ≥ 0 segue que: P(B) ≥ P(A) (iv) Se A e B são dois eventos quaisquer então: P(A .B) = P(A) . que satisfaz as seguintes propriedades (axiomas): (i) 0 ≤ P(A) ≤ 1. Lorí Viali .P(A∩B) Prova A = (A ..B)∪(A∩B)) = P(A . (iii) P(AUB) = P(A) + P(B) se A e B forem eventos mutuamente excludentes. (ii) P(S) = 1.

(iii) P(B1∪B2/A) = P(B1 / A) + P(B2 / A) se B1 ∩B2 = ∅ Prof. Então. pois se A ocorreu (isto é. de acordo com os critérios (a) com reposição e (b) sem reposição. O que mostra a necessidade do conceito de probabilidade condicionada.. sabendo-se que se está em S.7.1. .http://www. onde P(A) > 0.B) + P(B) = P(A) + P(B) . será representada por P(B/A). Neste caso.br/~lori/ 17 . PROBABILIDADE CONDICIONADA E INDEPENDÊNCIA Suponha-se que se quer extrair duas peças ao acaso de um lote que contém 100 peças das quais 80 peças são boas e 20 defeituosas. Neste caso é necessário saber se A ocorreu ou não. sabendo-se que se está em A agora e não mais em S.. A2. + (-1) P(A1∩A2∩. isto é.br .viali@mat. então: P(A∪B) = P(A) + P(B) . A probabilidade de B ocorrer condicionada a A ter ocorrido. porque existem 20 peças defeituosas num total de 100. An são eventos de um espaço amostra S.SÉRIE: Probabilidade INTRODUÇÃO (v) Se A e B são dois eventos quaisquer de S. então P(B/A) = 19 / 99. isto é. e lida como: “probabilidade de B dado A” ou “probabilidade de B condicionada a A”.P(A∩C) . mas o mesmo não é verdadeiro para P(B). se saiu peça defeituosa na primeira retirada) existirão na urna apenas 99 peças das quais 19 defeituosas.7.B)∩B= ∅ Tem-se então: P(A∪B) = P((A . Quando se calcula P(B) está se calculando a probabilidade de estar em B. o espaço amostra fica reduzido de S para A..mat. se a extração for com reposição P(A) = P(B) = 20 / 100 = 1 / 5 = 20%. associado a um experimento E. (vi) P(A∪B∪C) = P(A) + P(B) + P(C) . mas quando se calcula P(B/A) está calculando a probabilidade de B.B)∪B e (A . É simples verificar as seguintes propriedades de P(B/A) para A fixado: (i) 0 ≤ P(B/A) ≤ 1.P(A∩B). Lorí Viali .pucrs.P(A∩B) Prova A∪B = (A .pucrs. 2.∪An) = P( 7 Ai) = å P( Ai) + i=1 i=1 n n i< j= 2 n n å P( Ai ∩ A j) + i< j<r = 3 k+1 å P( Ai ∩ A j ∩ Ar ) + . Define-se os seguintes eventos: A = { A primeira peça é defeituosa } e B = { A segunda peça é defeituosa }.B)∪B) = P(A . Sempre que se calcular P(B/A) está se calculando a probabilidade de ocorrência do evento B em relação ao espaço amostra reduzido A. é preciso saber se a primeira peça retirada foi ou não defeituosa. Agora se a extração for sem reposição tem-se ainda que P(A) = 20 / 100 = 20%. e calculada por: P(B/A) = P(A∩B) / P(A) ∩ No exemplo acima. pela propriedade (iv)..P(A∩B) . D E FI N I Ç Ã O Sejam A e B dois eventos de um espaço amostra S..P(B∩C) + P(A∩B∩C) Prova Faz-se B∪C = D e aplica-se a propriedade (v) duas vezes. é necessário conhecer a composição do lote no momento da extração da segunda peça.. (ii) P(S/A) = 1. ao invés de fazê-lo em relação ao espaço amostral original S. (vii) Se A1....∩An) 2. então: P(A1∪A2∪.

Esta expressão é denominada de teorema da multiplicação. C1 C3 C2 .P(B) 2. Logo: P(R) = 3/6 = 50% As seqüências em que C3 está à direita de C1 são: Prof.SÉRIE: Probabilidade INTRODUÇÃO (iv) P(B1∪B2 .P(B) ∩ Qualquer uma das 3 relações acima pode ser usada como definição de independência.. Pode-se também comparar P(A/B) e P(A). se Bi ∩Bj = ∅ para i ≠ j. isto é. C2 C3 C1 .7.br/~lori/ 18 . I N D E P E N D Ê N C I A DE DOIS EVENTOS Sejam A e B dois eventos de um espaço amostra S..7.pucrs. de um mecanismo são postos em série (em linha reta). Para tanto considere-se os quatro casos ilustrados nos diagramas abaixo: Tem-se: (a) P(A/B) = 0. pois A ⊆ B. C1C3C2. C2.br . T E O R E M A DA MULTIPLICAÇÃO Com o conceito de probabilidade condicionada é possível apresentar uma maneira de se calcular a probabilidade da interseção de dois eventos A e B em função destes eventos. (b) P(A/B) = P(A∩B) / P(B) = [P(A) / P(B)] ≥ P(A).P(S).mat. porque A não poderá ocorrer se B tiver ocorrido. a) A∩B = ∅ (b) A ⊂ B (c) B ⊂ A (d) Caso geral B A B A A B A B 2. Os eventos R e S são independentes? Por quê? Solução: Para que R e S sejam independentes deve-se ter: P(R∩S) = P(R)../A) = P(B1/A) + P(B2/A) + . O espaço amostra para este caso é: S = { C1 C2 C3 . Seja R o evento { C2 está à direita de C1 }. C3 C2 C1 } As seqüências em que C2 está à direita de C1 são: R = { C1C2C3. C3C1C2 }. e C3. C3 C1 C2 . (d) Neste caso nada se pode afirmar sobre o relacionamento entre P(A/B) e P(A). A e B são ditos independentes se a probabilidade de um deles ocorrer não afetar a probabilidade do outro ocorrer. C2 C1 C3 .P(B/A) = P(A/B).viali@mat. P(A∩B) = P(A). Observe-se que estas propriedades são idênticas aos axiomas de probabilidade.2.http://www. Lorí Viali .3. (c) P(A/B) = P(A∩B) / P(B) = [P(B) / P(B)] = 1 ≥ P(A). Exemplo 2.pucrs.4 [MEY78] Três componentes C1. se: P(A/B) = P(A) ou P(B/A) = P(B) ou ainda se P(A∩B) = P(A). e seja S o evento { C3 está à direita de C1 }. Suponha que esses componentes sejam dispostos em ordem aleatória... já que P(A) ≤ P(B).

br . mas isto não representa nenhum problema na decomposição de B.P(S) = 0.P(B/A2) + .P(B/A1) + P(A2).. ∪ An = S (c) P(Ai) > 0.. Definição Diz-se que os conjuntos A1.. + P(B ∩ An) Mas cada um dos termos P(B ∩ Aj) pode ser escrito na forma: P(B ∩ Aj) = P(Aj). pode ser escrito como (A figura acima ilustra a partição com n = 8): B = (B ∩ A1) ∪ (B ∩ A2) ∪ . 2.4. Então B. pela definição de probabilidade condicionada. A2.5.br/~lori/ 19 . os eventos acima formam um partição do espaço amostra S = { 1. C2C1C3 }. B ∩ An são dois a dois mutuamente excludentes..SÉRIE: Probabilidade INTRODUÇÃO S = { C1C2C3.5 Considere-se o espaço amostra obtido pelos números das faces no lançamento de um dado equilibrado e sejam os eventos: A1 = { 1. 6 }.pucrs. . C1C3C2..mat.33% ≠ P(R). Lorí Viali . A2.5 = 0.0.http://www. . Logo P(R∩S ) = 2/6 = 1/3 = 33. 5.. E por isto.. T E O R E M A S DA PROBABILIDADE TOTAL E DE BAYES O conceito de probabilidade condicionada pode ser utilizado para calcular a probabilidade de um evento simples A ao invés da probabilidade da interseção de dois eventos A e B. (b) A1 ∪ A2 . ∪ (B ∩ An)] = P(B ∩ A1) + P(B ∩ A2) + . pode-se aplicar a propriedade da adição de eventos mutuamente excludentes e escrever. 2. An eventos de um mesmo espaço amostra S. C1C3C2 }. formam uma partição deste espaço se: (a) Ai ∩Aj = ∅.. B ∩ A2.pucrs. 5 } e A3 = { 6 } Então. 2. O importante é que todos os conjuntos B ∩ A1. 4. poderão ser vazios..7. 3 }. Seja B um evento de S.. obtém-se então o denominado teorema da probabilidade total: P(B) = P(A1).viali@mat... para todo i ≠ j. .. + P(An)..25 = 25% Portanto os eventos R e S não são independentes. P(B) = P[(B ∩ A1) ∪ (B ∩ A2) ∪ . An uma partição deste espaço amostra. Logo P(S) = 3/6 = 50% As seqüências em que C2 está à direita de C1 e C3 está também à direita de C1 são: R∩S = { C1C2C3.. pode-se verificar facilmente que.. 3.P(B/An) Prof. Teorema da probabilidade total Considere-se um espaço amostra S e A1. alguns destes conjuntos B ∩ Aj..P(B/Aj). para todo i Exemplo 2.. A2 = { 4. Para tanto é necessário o conceito de partição de um espaço amostra. ∪ (B ∩ An) É claro que..

P(B / Ai) / [P(A1).P(D/C) = 0. B = { A peça provém da máquina B } e C = { A peça provém da máquina C }.25. o que se quer calcular é a probabilidade condicionada P(A/D).. isto é.0. Qual a probabilidade de que tenha sido produzida pela fábrica A? ou B? ou ainda C? Neste caso. isto é a probabilidade de ter sido produzida pela máquina A dado que a peça é defeituosa é: P(A / D) = P(A). + P(An).. B e C formam uma partição do espaço amostra S.P(B/An)] Exemplo 2.0.0.. pois A. Aplicando a definição de probabilidade condicionada segue que: P(Ai / B) = P(Ai ∩ B) / P(B) = P(Ai).pucrs. Pela notação já vista acima.. enquanto que 4% das produzidas por C são defeituosas.br/~lori/ 20 . e generalizando a questão o que se está interessado em obter é a probabilidade de ocorrência de um dos Ai dado que B ocorreu.br . onde P(B) é avaliado pelo teorema da probabilidade total. A = { A peça provém da fábrica A }.02. Sabe-se que A produz o dobro de peças que B e que B e C produzem o mesmo número de peças. Se do depósito for retirada uma peça ao acaso.40 = 40% Prof. Todas as peças produzidas são misturadas e colocadas em um depósito. Sabe-se também que P(D/A) = P(D/B) = 2% e que P(D/C) = 4%.50%.P(B/A1) + P(A2).pucrs..7 Considerando a pergunta acima vem então: P(A / D). Assim: P(Ai / B) = P(Ai).02 + 0.5.50 / (0. qual a probabilidade de que ela seja defeituosa? Solução: Considerem-se os seguintes eventos: D = { A peça é defeituosa }.04) = 0.P(D/A) + P(B).P(B/A2) + .6 Uma determinada peça é manufaturada por 3 fábricas: A. Sabe-se ainda que 2% das peças produzidas por A e por B são defeituosas.25.SÉRIE: Probabilidade INTRODUÇÃO Exemplo 2. onde os eventos A1. uma peça é retirada do depósito e se verifica que é defeituosa.5. Tem-se então que: P(A) = 50%. Este resultado é conhecido como teorema de Bayes.http://www.02 + 0.02 + 0.0.0. Teorema de Bayes Suponha-se que no exemplo acima. P(B) = P(C) = 25%. A2. B e C. Lorí Viali . An formam uma partição de S e B é um evento qualquer de S. .0.P(D/B) + P(C). uma vez que só existem as 3 fábricas e que A produz o dobro de B e esta por sua vez produz a mesma quantidade que C.25.25. P(D / A) / P(D) = 0. Pela teorema da probabilidade total pode-se escrever que: P(D) = P(A).04 = 2.viali@mat.02 + 0.0.P(B / Ai) / P(B).mat. o que se quer é saber o valor de P(Ai / B).

ck.1 Seja S o espaço amostra formado pelas seqüências obtidas no lançamento de 3 moedas equilibradas. kkc 1 cck.2.1. VARIÁVEIS ALEATÓRIAS 3. 1. por exemplo. Ou então: s X(s) kkk 0 ckk. O conjunto de valores da variável X é X(S) = { 0. isto é. a imagem da variável aleatória X. desejase associar aos elementos do espaço amostra S um número real x = X(s). kc. definida num espaço amostral S. ckc. é denominado de conjunto de valores de X e anotado por X(S). Lorí Viali . O conjunto formado por todos os valores “x”. VARIÁVEL ALEATÓRIA DISCRETA Uma variável aleatória X é dita discreta se o seu conjunto de valores X(S) é finito ou então infinito contável ou enumerável.http://www. 3. neste caso. A FUNÇÃO DE PROBABILIDADE Seja X uma variável aleatória discreta (VAD). Desta forma formula-se a definição: Seja E um experimento com um espaço amostra associado S. Se o conjunto de valores for infinito não enumerável então a variável é dita contínua. åf(xi) = 1 Prof. kcc 2 ccc 3 Conforme o conjunto de valores uma variável aleatória poderá ser discreta ou contínua. kck.pucrs.br/~lori/ 21 .1.viali@mat. se está interessado num resultado numérico. isto é. Seja X a variável aleatória definida como sendo o número de caras da seqüência. 2.pucrs. Uma função X que associe a cada elemento de S (s ∈ S) um número real x = X(s) é denominada variável aleatória. Assim. isto é. 3.br .mat. Desta forma: X(S) = { x ∈ ℜ / X(s) = x } Exemplo 3.SÉRIE: Probabilidade INTRODUÇÃO 3. 3 }. A cada resultado xi de X(S) associa-se um número f(xi) = P(X = xi) denominado probabilidade de xi e tal que satisfaz as seguintes propriedades: f(xi) ≥ 0. para todo “i”. Se o conjunto de valores for finito ou então infinito enumerável a variável é dita discreta. tem-se: X(ccc) = 0 X(ckk) = 1. etc.2. kk } Contudo. INTRODUÇÃO Ao se descrever o espaço amostra de um experimento nota-se que os elementos não são necessariamente números. no lançamento de duas moedas pode-se ter o seguinte espaço amostra: S = { cc. isto é. pois. X(s) = x = números de caras. na maior parte das vezes. com X(S) finito ou infinito enumerável.

(6. (2.SÉRIE: Probabilidade INTRODUÇÃO A função “f” assim definida é denominada de função de probabilidade de X A coleção dos pares (xi. 3. 10. 6). f(xi)) para i = 1.2). 1) }) = 6/36 f(8) = P( X = 8) = P({ (2. (4. 2) }) = 5/36 f(9) = P( X = 9) = P({ (3. (3. (5. 6 } Para X tem-se: f(2) = P( X = 2) = P({ (1. 4). 4). 6)}) = 1/36 Em resumo: x f(x) 2 1/36 3 2/36 4 3/36 5 4/36 6 5/36 7 6/36 8 5/36 8 4/36 10 3/36 11 2/36 12 1/36 Para Y tem-se: f(1) = P( Y = 1) = P({ (1. 1 }) = 11/36 Prof. 5).http://www. (4. 1). 6). 5). 5). 4). 3). 5). 3). 4). 5). 1) }) = 5/36 f(7) = P( X = 7) = P({ (1. (5. 2. 2). 3). 4). 6. (2. 5). 4). Sejam X e Y duas variáveis aleatórias definidas da seguinte forma: X = soma do par obtido Y = maior valor do par Tem-se então: X(S) = { 2. (5. O espaço amostra é formado por 36 resultados eqüiprováveis. 4). 4. 1) }) = 9/36 f(6) = P( Y = 6) = P({ (1. (6. 2). 4). (3. 3). 4. 6). 9. (2. 5). 2) }) = 2/36 f(4) = P( X = 4) = P({ (1. 1) }) = 1/36 f(2) = P( Y = 2) = P({ (2. (3. (2. (2. . 3). 5). 8. (5. 3). 1) }) = 5/36 f(4) = P( Y = 4) = P({ (1. 6). Exemplo 3.pucrs. Lorí Viali . (4. (5. 5). (3.viali@mat. na realidade.br/~lori/ 22 . (6. é denominada de distribuição de probabilidade da VAD X. 6). 5). (5. 3. 3) }) = 4/36 f(10) = P( X = 10) = P({ (4. 6). (2. (5.pucrs. (3. 4). 1) }) = 3/36 f(5) = P( X = 5) = P({ (1. 3). (1. 4). 5. 2. 3).2 Dois dados são lançados e observa-se o par obtido. (4. (1. (5. 7.. (5.br . (5. 2). 12 } Y(S) = { 1. 2). Note-se que f(x) = P(X = x) = P({ s ∈ S / X(s) = x }) Desta forma quando se calcula f(x) está se calculando. 6). 1). (6. (2. (3. 2). (3. 3). 3). 6). (4. (6. 11. (2. a probabilidade do evento { s ∈ S / X(s) = x } ⊆ S. (6. 3. (4. (4. (4. (4. (3. (3. (6. (4. (3. 2).mat. (6. (5. 5) }) = 2/36 f(12) = P( X = 12) = P({ (6. (6. 2). (6. 1) }) = 1/36 f(3) = P( X = 3) = P({ (2. (2. 3). 5. 1) }) = 7/36 f(5) = P( Y = 5) = P({ (1. (4. 5). 2). (6. 6). 4) }) = 3/36 f(11) = P( X = 11) = P({ (5. 4). 1) }) = 4/36 f(6) = P( X = 6) = P({ (1. (3.. 6). 6). 2) }) = 3/36 f(3) = P( Y = 3) = P({ (1.

ou simplesmente função de distribuição de X é a função F “em escada” definida por: F(x) = P(X ≤ x) = å f ( xi) xi ≤ x Exemplo 3.1 .3.1) / 36 = 11/ 36 (iii) Veja o diagrama abaixo.1 .00% 1 2 3 4 5 6 Figura 3. 40. (iii) Através de um diagrama. Exemplo 3.mat.2. onde os valores da variável são registrados no eixo das abcissas e as probabilidades no eixo das ordenadas.Diagrama de barras da distribuição de Y 3.viali@mat. 3.pucrs.br .br/~lori/ 23 . Então: f: Y(S) → ℜ y → (2y .4 Seja X uma VAD com a distribuição da tabela abaixo: x f(x) -2 1/4 1 1/8 2 1/2 4 1/8 Então a função de distribuição de X é dada por: Prof. Lorí Viali . (ii) Através de uma expressão analítica para f(x) (fórmula).2 .2. Então a função de distribuição acumulada FDA. 6}. 5.3 (i) As duas tabelas acima.00% 10.00% 0.SÉRIE: Probabilidade INTRODUÇÃO Em resumo: x f(x) 1 1/36 2 3/36 3 5/36 4 7/36 5 9/36 6 11/36 3.pucrs. do exemplo acima. A FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA Seja X uma VAD com função densidade f(x).1)/36 Deste modo: f(1) = (2. 2.00% 30. R E P R E S E N T A Ç Ã O DA FUNÇÃO DE PROBABILIDADE Existem três maneiras de representar a função de probabilidade de uma VAD X: (i) Através de uma tabela. (ii) Considere-se a variável Y.00% 20.2. 4.http://www.1) / 36 = 1 / 36 f(6) = (6. onde Y(S) = {1.

µ)2 + ..12 = 1/2 Prof.. + f(xn) (xn . .1)2 + (2/4)( 1 . = å f ( xi)( xi − µ )2 Pode-se demonstrar que a expressão da variância..1)2 + (1/4)(2 . xi.SÉRIE: Probabilidade INTRODUÇÃO F(x) = 0 = 1/4 = 3/8 = 7/8 = 1 se se se se se x < -2 -2 ≤ x 1 1≤x≤2 2≤x<4 x≥4 3. .6 Calcular a variância da distribuição do exemplo anterior.22 = 3/2 σ2 = V(X) = E(X2) . . + xnf(xn) + ..(2/4) + 2. Lorí Viali . x2.4.pucrs.1)2 = 1/2 Ou ainda: E(X2) = (1/4). pode ser transformada na seguinte expressão: σ2 = V(X) = å f ( xi) ( xi − µ) 2 = å f ( xi) xi2 − µ 2 = E(X2) ..http://www. expectância.. V A R I Á V E L A L E A T Ó R I A D I S C R E T A ( C A R A C T E R I ZA Ç Ã O ) Considere X uma variável aleatória discreta assumindo os valores: x1.mat. com probabilidades f(x1). f(xi).br ...br/~lori/ 24 .µ)2 + .µ2 = 3/2 .µ2 Exemplo 3...µ)2 + f(x2) (x2 . anotada por σ ou V(X) é definida por: 2 σ2 = V(X) = f(x1) (x1 . f ( xi) Exemplo 3.. . = å xi. .5 Calcular o número esperado de faces caras no lançamento de duas moedas equilibradas...12 + (1/4). f(x2).. Então a variância de X. Expectância. Solução: Seja X = Número de caras.. valor esperado ou esperança matemática da variável aleatória X é representada por µ ou E(X) e calculada por: µ = E(X) = x1f(x1) + x2f(x2) +.2.(1/4) = 1/2 + 1/2 = 1 cara. A variância de X Seja X uma variável aleatória discreta com média µ = E(X)..02 + (2/4)..pucrs.. Solução: Tem-se que: E(X) = 1.viali@mat.[E(X)]2 = E(X2) .(1/4) + 1. esperança. acima.. Então a distribuição de X é dada por: x f(x) 0 1/4 1 2/4 2 1/4 Logo a média ou expectância de X será: E(X) = 0. então: σ2 = V(X) = å f ( xi) ( xi − µ) 2 = (1/4)(0 . média ou valor esperado de X A média..

0. e definida por: γ2 = σ2 / µ2 O coeficiente de variação de X é definido como a raiz quadrada da variância relativa: γ=σ/µ Exemplo 3.20 .10 1 0.4 = 1.20 + 4.10 = 2 vendas por semana. isto é. anotada por: γ2.00.10 = 5.00 por uma venda.pucrs.µ2 = 5.20 O desvio padrão será: σ = 120 = 1.br/~lori/ 25 .viali@mat.20 + 0.00 por venda a renda esperada semanal é: R$ 100.0.0. A variância relativa e o coeficiente de variação Seja X uma variável aleatória discreta com média µ = E(X) e variância σ2 = V(X). A variância é então: V(X) = E(X2) . Duas destas distribuições são a Binomial e a distribuição de Poisson. é a raiz quadrada da variância.0. (b) Para ganhar pelo menos R$ 150. isto é: γ = σ / µ = 1.20 + 2.20 + 22.10 + 1.10 / 2 = 0. Logo.0.40 3 0.20.30 = 30% (c) Deve-se inicialmente avaliar o valor da variância e para tanto calcula-se antes a média dos quadrados: E(X2) = 02.20 4 0.0.pucrs.00 por semana? (c) Qual o desvio padrão das vendas semanais? (d) Qual o coeficiente de variação das vendas semanais? Solução: (a) E(X) = 0.10 (a) Qual é o valor esperado de vendas por semana? (b) Qual é a probabilidade de ganhar pelo menos R$ 150.00 por semana ele deve realizar 3 ou 4 vendas por semana. Então a variância relativa de X. anotado por σ.22 = 5.http://www. Estas distribuições apresentam expressões para o cálculo das probabilidades.40 + 32. 10 . Esta probabilidade é: P(X ≥ 3) = 0.br .3. como ele recebe R$ 50. (d) O coeficiente de variação é o quociente entre o desvio padrão e a média.40 + 3.0.7 Um vendedor recebe uma comissão de R$ 50. as probabilidades f(x) podem ser avaliadas através de um modelo matemático conhecido. Lorí Viali .20 + 42.20 2 0.0. Baseado em suas experiências anteriores ele calculou a distribuição de probabilidades das vendas semanais: x f(x) 0 0. Prof.20 .10 = 0.SÉRIE: Probabilidade INTRODUÇÃO O desvio padrão O desvio padrão da variável X. DISTRIBUIÇÕES ESPECIAIS DE PROBABILIDADE DISCRETAS Existem algumas distribuições de probabilidade para variáveis discretas que pela sua freqüência de uso vale a pena estudar mais detalhadamente.10 + 12.0.mat.0.55 = 55% 3.

. Definição: Seja X uma VAD definida por X = número de vezes que A ocorreu nas “n” repetições de E.1. 0. n } 15 .mat. X(S) é: X(S) = { 0. A DISTRIBUIÇÃO BINOMIAL Seja E um experimento aleatório e S um espaço amostra associado. O número de resultados em que isto ocorre é dado por æ nö ç ÷.0 0 9 . “p“ permaneça constante durante as “n” repetições de E. 2.p. de modo que.. Exemplo 3. 3. n.. então o valor de P(X = k) é o da fórmula acima.2 – Distribuição B(50. para x = 0. Demonstração: Considere-se um elemento particular do espaço amostra S.px . 1..br/~lori/ 48 0 .SÉRIE: Probabilidade INTRODUÇÃO 3. Como existem apenas duas situações: A ocorre ou A não ocorre.k.. 2. A variável aleatória X é denominada de variável aleatória Binomial.8 Prof. Representação: Se X tem um comportamento Binomial de parâmetros “n” e “p” então representa-se X por B(n. pode-se determinar a probabilidade de A não ocorrer como sendo q = 1 . Lorí Viali .0 0 6 . è kø æ nö è xø porque se deve escolher exatamente “k” casos dentre “n” possibilidades para o evento A. Seja A ⊆ S um evento de S..br .3. p).p)n . O conjunto de valores de X.20) Teorema: Se X é uma variável aleatória com um comportamento Binomial.pucrs.0 0 12 15 18 21 24 27 30 33 36 39 42 45 Figura 3.. Seja “n” o número de vezes que o experimento E é repetido e seja “p” a probabilidade de A ocorrer em cada uma das “n” repetições de E. Como estes resultados são todos mutuamente excludentes.0 0 3 . qn− x . . mas esta mesma probabilidade está associada a qualquer outro resultado em que X = k. satisfazendo à condição X = x.0 0 12 .pucrs.http://www. isto é.0 0 0 3 6 9 26 . Como todas as repetições são independentes a probabilidade desta seqüência particular é dada por: pk(1 .viali@mat. Em certas situações a probabilidade “p” é denominada de probabilidade de “sucesso” e a probabilidade “q” de probabilidade de fracasso. então a probabilidade de X assumir um dos valores do conjunto X(S) é calculada por: f(x) = P(X = x) = ç ÷ . 1.

5 } p = P(Cara em 1 lançamento ) = 0. Logo q = 1 .51 = 5.53 = 0. 0. O desvio padrão σ = npq Exemplo 3.0.54 + ç ÷ . determinar: (a) O número médio de item defeituosos na amostra. isto é.62% (c) P(X ≤ 2) = ç ÷ . a média de uma variável aleatória com distriè xø æn ö buição binomial é igual ao produto dos parâmetros “n” e “p“. 0.55 + ç ÷ . 0.25% (b) P(X = 4) = ç ÷ . 1.55 + 10. 0. 0. Considerando X a variável “número de unidades defeituosas em uma amostra ocasional de 20 unidades.SÉRIE: Probabilidade INTRODUÇÃO Considerando X como sendo a VAD igual a “número de vezes que ocorre face cara em 5 lançamentos de uma moeda equilibrada”.52 .0625.55 − x .9 A probabilidade de um exemplar defeituoso com que opera certo processo produtivo é de 10%. 0.50. 4.2. 0. 0.0.pucrs. Variância σ2 = E(X2) .5 x . (b) O desvio padrão do número de item defeituosos na amostra. isto é.55 = 50% æ 5ö è 0ø æ 5ö è1 ø æ 5ö è 2ø æ 5ö è 4ø æ 5ö è 2ø æ 5ö è xø 3.p = 0. 0.pucrs. Lorí Viali . qn− x = np. pois a moeda é equilibrada.0. 0. f ( x) = å x. 3.51.5 = 15. expectância ou valor esperado µ = E(X) = å x. 0.3.25.br/~lori/ 27 . P R O P R I E D A D E S DA DISTRIBUIÇÃO BINOMIAL A vantagem de se ter um modelo conhecido é que podemos determinar suas características de um modo geral.50 Então: f(x) = P(X = x) = ç ÷ . 1. 4. 2.px . determinar a probabilidade de ocorrer: (a) Duas caras (b) Quatro caras (c) No máximo duas caras Solução: Neste caso. 0. 3. para x = 0.viali@mat.0.55 + 5. tem-se: n = 5 = número de lançamentos. 0.mat. 5 (a) P(X = 2) = ç ÷ . qn− x .ç ÷.54 .50 . X = número de caras nos 5 lançamentos Þ X(S) = { 0.br .px .http://www. Assim se X é uma VAD com uma distribuição Binomial tem-se: Média.ç ÷.µ2 = å x2 .(np)2 = npq. 2. Prof.53 = 10.0.52 .125 = 31. a variância de uma variável aleatória è xø æn ö com distribuição binomial é igual ao produto dos parâmetros “n” e “p” e multiplicados ainda por “q”.

81 = 0.5 caixas.0. . min(r.3.SÉRIE: Probabilidade INTRODUÇÃO Solução: (a) E(X) = np = 20.00 de multa.10 = 2 itens defeituosos (b) σ = npq = 20.mat.4095 = 409.[P(X = 0) + P(X = 1)] = 1 .0.n}. com uma ou mais peças defeituosas será: E(PM) = np = 1000.409. forem retirados x elementos dentre os r que possuem a característica e forem retirados n .81% (b) P(Duas ou mais defeituosas) = P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5).(0.P(X = 0) = 1 .001. r dos quais tem uma determinada característica (r ≤ N) e N -r não tenham esta característica. Ao invés de calcular desta forma é mais conveniente utilizar o complementar.90)2 = 10.00 æ 5ö è 3ø 3. tem-se: Prof.http://www.3.10. .0.viali@mat.. Lorí Viali .3280] = 8.5905 = 40. Extraí-se n elementos (n ≤ N) sem reposição. se e somente se.pucrs. . n).(0. P R O P R I E D A D E S DA DISTRIBUIÇÃO H I PE R GE OM É T R I C A Fazendo p = r/N e q = (N . Assim: P(X ≥ 2) = 1 .5 = R$ 4 095.10 [NET74] Num determinado processo de fabricação 10% das peças são consideradas defeituosas.95% Neste caso tem-se uma nova Binomial com n = 1000 e p = 40.r) / N. O número esperado de caixas que vão pagar multa.0.90 = 180 = 1. isto é. Uma vez que X = x.0.(0.00 por caixa em que houver alguma peça defeituosa.5905 + 0. (a) Qual a probabilidade de haver exatamente 3 peças defeituosas numa caixa? (b) Qual a probabilidade de haver duas ou mais peças defeituosas numa caixa? (c) Se a empresa paga uma multa de R$ 10. A DISTRIBUIÇÃO H I PE R GE OM É T R I C A Considere-se um conjunto de N elementos.00.r que não possuem a característica. X é denominada de variável aleatória hipergeométrica.pucrs. Exemplo 3.x dentre os n .4.34 itens defeituosos.10)3 .br . N .0.r .3.. o valor total da multa será: PM = R$ 10. As peças são acondicionadas em caixas com 5 unidades cada uma.15% (c) A probabilidade de uma caixa pagar multa é: P(PM) = P(X ≥ 1) = 1 . Como cada uma paga R$ 10. As probabilidades de uma variável aleatória hipergeométrica podem ser avaliadas por: P(X = x) = æ r ö æN − r ö ç ÷ç ÷ è xø è n − xø æ Nö ç ÷ ènø com x = max{0.0. 3.P(X ≤ 1) = 1 . Seja X a variável aleatória igual ao número de elementos que possuem a característica entre os n retirados. qual o valor esperado da multa num total de 1000 caixas? Solução: (a) P(X = 3) = ç ÷ .95%.br/~lori/ 28 .

A distribuição hipergeométrica será representada por H(r.(np)2 = npq N − n . A propriedade (c) afirma que para N suficientemente grande a distribuição hipergeométrica pode ser aproximada pela distribuição Binomial..µ = å x .http://www.15 0.br . N) 0.SÉRIE: Probabilidade INTRODUÇÃO Média.1. Em geral.3 – Distribuição hipergeométrica H(20.f ( x) = å x.11 Uma caixa contém 12 lâmpadas das quais 5 estão queimadas.25 0. Lorí Viali . ter-se-ia uma distribuição Binomial. px . 2 2 2 2 è øè σ = E(X ) . N−1 æ Nö ç ÷ çn ÷ è ø ænö (c) P(X = x) ≅ ç ÷. = (rn) / N = np. esta aproximação será boa se (n / N) ≤ 0. expectância ou valor esperado æ r öæ N − r ö ç ÷ç ÷ µ = E(X) = å x. qn−x para N grande. n.10 0.pucrs.br/~lori/ 29 . São escolhidas 6 lâmpadas ao acaso.pucrs.20 0. 50) Exemplo 3.mat.00 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Figura 3. 20. Qual a probabilidade de que: (a) Exatamente duas estejam queimadas? (b) Pelo menos uma esteja boa? (c) Pelo menos duas estejam queimadas? (d) O número esperado de lâmpadas queimadas? (e) A variância do número de lâmpadas queimadas? Prof.viali@mat. çx÷ è ø Note-se que se as extrações fossem feitas com reposição.05 0. è øè ø æ Nö ç ÷ çn ÷ è ø Variância æ r öæ N − r ö ç ÷ç ÷ ç x ÷ç n − x ÷ ø . ç x ÷ç n − x ÷ = ..

http://www. X pode ser definida como o número de eventos que ocorrem sobre um período de tempo t.br/~lori/ 30 . Além disso. (c) P(X ≥ 2) = 1 .11 3.1326 = 0.50. .5.88% æ12 ö ç ÷ ç6÷ è ø (b) Se são retiradas 6 lâmpadas e somente 5 estão queimadas. são iguais as probabilidades de ocorrência de um mesmo número de sucessos.pucrs. etc.12. (ii) Em intervalos de mesmo comprimento. substituindo λ na equação acima por λt. (iii) Em intervalos muito pequenos. (iv) Em intervalos muito pequenos. 12. 1. (e) V(X) = nr ( N − r ) ( N − n) .mat. entretanto. comprimento. A DISTRIBUIÇÃO DE P OI S S ON Na distribuição binomial.6 = 210/1584 = 0..3. Desta forma a distribuição de Poisson pode ser escrita como: x! Prof. Lorí Viali . a variável de interesse era o número de sucessos (ocorrências do evento A) em um intervalo discreto (n repetições do experimento E). para x = 0.SÉRIE: Probabilidade INTRODUÇÃO Solução: Tem-se N = 12.pucrs. r = 5 e n = 6.viali@mat. Definição: Seja X uma VAD definida por um processo de Poisson. a probabilidade de mais de um sucesso é desprezível. 3. Muitas vezes. n. . . portanto: P(pelo menos uma boa) = 100%. então necessariamente uma será boa.13. Se os valores de uma variável satisfazem as hipóteses (i) a (iv) acima se dirá que ela segue um processo de Poisson. 1. Então: −λ x f(x) = P(X = x) = e λ . onde x é o número de eventos que ocorrem em um intervalo sobre o qual se espera uma média λ de ocorrências.P(X < 2) = 1 . o interesse reside no número de sucessos em um intervalo contínuo.88%.. a probabilidade de um sucesso é proporcional ao comprimento do intervalo. superfície. então: æ 5 öæ 7 ö ç ÷ç ÷ ç ÷ç ÷ (a) P(X = 2) = è 2 øè 4 ø = 37. que pode ser de tempo. Para se caracterizar uma distribuição que leve em conta o número de sucessos (valores) em um intervalo contínuo.br .= N N ( N − 1) 5.6 / 12 = 30/12 = 5/2 = 2.. (d) E(X) = (rn) / N = 5.[P(X = 0) + P(X = 1)] = 1 æ 5ö æ 7 ö ç ÷ç ÷ è 0ø è 6ø æ 12ö ç ÷ è6 ø - æ 5ö æ 7 ö ç ÷ç ÷ è 1 ø è 5ø æ 12ö ç ÷ è6 ø = 87.. 2.7.. com taxa λ > 0. assumindo os valores: 0.. . será suposto que: (i) Eventos definidos em intervalos não sobrepostos são independentes..

http://www.79% −λ x x! 0! −1 2 −1 (b) P(X ≤ 2) = e 1 + e 1 + e 1 = 5e = 91.br . Então: −λ x f(x) = P(X = x) = e λ . 1. Qual a probabilidade de que um rolo com 2000 metros de fita magnética: (a) Não tenha defeitos? (b) Tenha no máximo dois defeitos? (c) Tenha pelo menos dois defeitos? Solução: Neste caso.12 Em um certo tipo de fabricação de fita magnética.16 0. Em média aparecem 50 defeitos por metro quadrado de plástico.97% −1 0 −1 1 0! 1! 2! 2 −1 1 (c) P(X ≥ 2) = 1 . 1.12 0.P(X ≤ 1) = 1 . .4 – A distribuição de Poisson P(5) Exemplo 3..02 10 12 14 16 18 20 0 2 4 6 8 0.[ e 1 + e 1 ] = 1 .. X = número de defeitos a cada dois mil metros.viali@mat. 2. x! A distribuição de Poisson será representada por P(λ).06 0. (a) Qual a probabilidade de uma determinada face apresentar exatamente 2 defeitos? Prof.2e-1 = 26. x = 0. 2. tem-se: λ = Taxa de defeitos a cada 2000 metros.SÉRIE: Probabilidade INTRODUÇÃO ( λt ) f(x) = P(X = x) = .14 0. 3.. x! −1 0 (a) P(X = 0) = e λ = e 1 = e-1 = 36.42% −1 0 0! 1! Exemplo 3.. 1. 3. para x = 0. para x = 0. .. ocorrem defeitos a uma taxa de 1 a cada 2000 metros.00 − λt Figura 3.10 0. .mat.13 [NET74] Um dado é formado por chapas de plástico de 10x10 cm. segundo uma distribuição de Poisson.04 0. Lorí Viali . e x 0.08 0. 2.18 0..pucrs.pucrs. 3.br/~lori/ 31 .

viali@mat.3.39350)1 + ç ÷ .5 defeitos por face.5 ( 0..P(X ≤ 1) = 1 . isto é: −0.6065)6 .58% 2! (b) No dado inteiro. tem-se então: λ = (50/10000) defeitos/cm2 x 100 cm2 = 0.5 )0 P (X = 0) = e = 60.(0.[0.36% æ 6ö è 5ø æ 6ö è 6ø 3.br/~lori/ 32 .mat.λ2 = λ O desvio padrão σ= λ Prof. expectância ou valor esperado -λ x µ = E(X) = å x.5)2 P(X = 2) = e = 7.[ e 3 + e 1 ] = = 1 .65% 0! Tem-se então uma binomial Y com n = 6 (número de faces do dado) e p = 60.(0.6.µ2= λ2 + λ . P R O P R I E D A D E S DA DISTRIBUIÇÃO DE P OI S S ON Se X for uma VAD com distribuição de Poisson.µ2 = å x 2 e −λ x λ x! .0498 + 0.br .http://www.3935)0 = 24.1494] = 80.pucrs.5 ( 0. A probabilidade de uma face apresentar dois defeitos será: −0.(0.pucrs. então: Média. A probabilidade de uma face ser perfeita é a probabilidade de ela não apresentar defeitos. Lorí Viali . f ( x) = å x e λ x! =λ Variância σ2 = E(X2) .6065)5 .[P(X = 0) + P(X =1)] = −3 0 −3 1 = 1 . a área total será a = 6x100 cm2 = 600 cm2 e o número médio de defeitos será então: λ = (50/10000) defeitos /cm2 x 600 cm2 = 3 defeitos A probabilidade de o dado apresentar no mínimo dois defeitos será: P(X ≥ 2) = P(X = 2) + P(X = 3) + . = 1 . Então a probabilidade de pelo menos 5 perfeitas.08% 0! 1! (c) A probabilidade de pelo menos 5 faces perfeitas é: P(Y ≥ 5) = P(Y = 5) + P(Y = 6).65% = probabilidade de uma face ser perfeita.(0.SÉRIE: Probabilidade INTRODUÇÃO (b) Qual a probabilidade de o dado apresentar no mínimo dois defeitos? (c) Qual a probabilidade de que pelo menos 5 faces sejam perfeitas? Solução: (a) Em média aparecem: d = 50 defeitos/m2 = 50/10 000 defeitos/cm2 Como cada face tem a = 10cm x 10 cm = 100 cm2.. será: P(Y ≥ 5) = P(Y = 5) + P(Y = 6) = ç ÷ .

f(x) aqui não é a probabilidade de a variável assumir o valor x. VARIÁVEIS ALEATÓRIAS CONTÍNUAS Seja E um experimento e S um espaço amostra associado.14 Uma amostra de 50 peças é retirada da produção de uma máquina que trabalha com um índice de defeitos de 2%. que é possível obter uma aproximação das probabilidades binomiais com as probabilidades da distribuição de Poisson.pucrs. p → 0.1. A função f(x) que associa a cada x ∈ X(S) um número real que satisfaz as seguintes condições: (a) f(x) ≥ 0. 39% 2! 2e 3. Exemplo 3. Neste caso f(x) representa apenas a densidade no ponto x.4.(0. quando n → ∝.0. ou de uma forma equivalente.3.98)48 = 18. Solução: (a) Pela Binomial. q n→∞ n → ∞ è xø e λ x! −λ x O teorema diz essencialmente. Define-se: Prof.br . p x . Lorí Viali .02)2 .viali@mat. ao contrário da variável aleatória discreta.4. Se X é uma variável aleatória definida em S tal que X(S) seja infinito não-enumerável.http://www. Sejam a < b. f(x) = P(X = x) = ç ÷.pucrs. tem-se: −1 2 1 P(X = 2) = e 1 = = 18. Definição Seja X uma variável aleatória contínua (VAC). tenha-se np = α = constante. R E L A Ç Ã O Isto é: ENTRE AS DISTRIBUIÇÕES B I N OM I A L E P OI S S ON Seja X uma variável aleatória discreta com distribuição Binomial de parâmetros “n” e “p”. Nestas condições tem-se então: æ nö x n− x = lim P(X = x) = lim ç ÷ . toda vez que “n” seja grande e “p” seja pequeno. X(S) seja um intervalo de números reais.SÉRIE: Probabilidade INTRODUÇÃO 3.7. então X é dita uma variável aleatória contínua.02 = 1. qn− x ç x÷ è ø æn ö Admita-se que quando n → ∝. dois números reais. para todo x ∈ X(S) e (b) òX(S)f(x)dx = 1 É denominada de função densidade de probabilidade (fdp) da variável aleatória X. p . C Á L C U L O DE PROBABILIDADE COM UMA VAC Seja X uma variável aleatória contínua com função densidade de probabilidade f(x). 3.mat.(0.57% æ 50ö è2 ø (b) Usando uma aproximação pela distribuição de Poisson de média µ = np = 50. de modo que np → α.br/~lori/ 33 . isto é. tem-se: P(X = 2) = ç ÷ . Determinar a probabilidade de se encontrarem duas peças defeituosas na amostra.

mas não igual a 1.SÉRIE: Probabilidade INTRODUÇÃO b P(a < X < b) = òa f ( x)dx . sempre que a f(x) for especificada apenas num intervalo finito. para todo x. para quaisquer outros valores.br/~lori/ 34 .pucrs. (d) Se X assumir valores apenas num intervalo finito [a.4. Neste caso a f(x) será uma função densidade de probabilidade. Determinar a P(X < 1/2) Solução: 1 P(X <1/2) = ò0/ 2 ( 2x)dx = 1/4 = 25% 3.br . Determinar a FD de X Solução: A função de distribuição de X é a função F tal que: Prof.pucrs. b]. onde “k” é um número real positivo. que a probabilidade é definida como sendo a área sob o gráfico.15 Seja X uma VAC com fdp dada por: f(x) = 2x se 0 < x < 1 = 0. Neste caso. Lorí Viali . Para variáveis contínuas só faz sentido falar em probabilidade em um intervalo. a probabilidade de que uma variável aleatória contínua assuma um valor isolado é igual a zero. devese supor que seja zero para todos os demais valores não pertencentes ao intervalo. a probabilidade de que X assuma valores entre os números “a” e “b” é a área sob o gráfico de f(x) entre os pontos x = a e x = b. então f*(x) pode ser transformada numa fdp mediante a seguinte transformação: f(x) = f*(x) / k . isto é. para quaisquer outros valores. (b) Se a < b são dois números reais então: b P(a < X < b) = P(a ≤ X < b) = P(a < X ≤ b) = P(a ≤ X ≤ b) = òa f ( x)dx . uma vez. isto é. pode-se simplesmente por f(x) = 0 para todo x ∉ [a. Somente quando ela for integrada entre dois limites produzirá uma probabilidade. Então a função de distribuição acumulada (FDA).http://www. ou simplesmente função de distribuição (FD) de X é a função F definida por: x F(x) = P(X ≤ x) = ò−∞ f (u)du Solução: Suponha-se que X seja uma VAC com fdp dada por: f(x) = 2x se 0 < x < 1 = 0. Assim. Exemplo 3.2.viali@mat. tem-se também: (a) P(X = a) = 0.mat. ∞ (c) Se uma função f* satisfizer às condições f*(x) ≥ 0 para todo x e ò−∞ f ( x)dx = k. como conseqüência a fdp ficará definida para todos os valores reais de x e pode-se ∞ exigir que ò−∞ f ( x)dx = 1. b]. A FUNÇÃO DE DISTRIBUIÇÃO ACUMULADA Seja X uma VAC com função densidade de probabilidade f(x). f(x) não representa nenhuma probabilidade.

75 0 é 4ù ê ú ë 4 û −1 σ = V(X) = 2 ∞ ò−∞ x2 . f ( x)dx .SÉRIE: Probabilidade INTRODUÇÃO ì0 se x ≤ 0 ï 2 íx se 0 < x ≤ 1 ï1 se x > 1 î F(x) = P(X ≤ x) = x ò−∞ f (u)du = x ò−∞ 2udu = 3. f ( x)dx = ò−1 x. anotada por σ ou V(X) é definida por: 2 ∞ ∞ σ2 = V(X) = ò−∞ ( x − µ)2 . Não é garantido que esta integral exista (convirja) sempre. A variância de X Seja X uma variável aleatória contínua com média µ = E(X). ê x ú = −3/4 = −0.br/~lori/ 35 .(3/4) = 2 ∞ ò−∞ 3x4 dx .http://www. valor esperado ou esperança matemática da variável aleatória contínua X. f ( x)dx = ò−∞ x2 . Então a variância de X.(3/4) = 2 é x5 ù 3.µ2 = E(X2) .16 Determinar a expectância e a variância da VAC cuja fdp é dada por: f(x) = 3x2 se -1 ≤ x ≤ 0 =0 caso contrário Solução: 0 0 ∞ µ = E(X) = ò−∞ x. média ou valor esperado de X A média.viali@mat. é definida por: γ2 = σ2 / µ2 O coeficiente de variação de X é definido como a raiz quadrada da variância relativa: γ=σ/µ Exemplo 3.br . Lorí Viali . Expectância. V A R I Á V E L A L E A T Ó R I A C O N T Í N U A ( C A R A C T E R I ZA Ç Ã O ) Considere X uma variável aleatória contínua com função densidade de probabilidade f(x). anotada por: γ2.(3 x2)dx = ò−1(3 x3)dx = 3. f ( x)dx Obs. ê ú ê 5 ú −1 ë û 0 (3/4)2 = 3/80. anotado por σ. é calculada por: ∞ µ = E(X) = ò−∞ x.µ2 O desvio padrão O desvio padrão da variável aleatória contínua X.pucrs. expectância.4. A variância relativa e o coeficiente de variação Seja X uma variável aleatória contínua com média µ = E(X) e variância σ2 = V(X). esperança.pucrs. Então a variância relativa de X. é a raiz quadrada da variância.3. f ( x)dx -µ = 2 ∞ ò−∞ x2 . representada por µ ou E(X). Prof.mat.(3 x2)dx .

17 Seja X uma VAC com distribuição uniforme no intervalo [5.5.pucrs.5) (d) P(|x . vale: 1 x du = F(x) = P(X ≤ x) = ò− ∞ b−a se x < a ì0. existem algumas distribuições especiais de probabilidade contínuas que por sua freqüência de uso vale a pena estudar mais detalhadamente. 3.br/~lori/ 36 . Lorí Viali . A função densidade de probabilidade de uma VAC deste tipo será: f(x) = 1 / (b . se a ≤ x ≤ b í ïb − a ï1. 10]. f ( x)dx = òa x. P R O P R I E D A D E S DA DISTRIBUIÇÃO UNIFORME As principais medidas para a distribuição uniforme podem ser determinadas de uma forma geral em termos dos extremos “a” e “b” do intervalo.5| > 2) . se x ≥ b î Exemplo 3.br (b) P(X > 8.SÉRIE: Probabilidade INTRODUÇÃO 3. Se a probabilidade de a variável assumir valores num subintervalo for a mesma que para qualquer outro subintervalo de mesmo comprimento teremos então uma distribuição uniforme. 3. b]. 1 é (a + b) ù 2 dx . Entre elas vale destacar as distribuições: uniforme. ï ïx −a . A DISTRIBUIÇÃO UNIFORME Definição: Seja X uma VAC que pode tomar todos os valores num intervalo [a.pucrs.a) / 12 b−a ë 2 û 2 Desvio padrão σ= (b − a)2 12 A FDA da distribuição uniforme A FDA da distribuição uniforme.1.http://www.2.a) para a ≤ x ≤ b =0 para qualquer outro valor. DISTRIBUIÇÕES ESPECIAIS DE PROBABILIDADE CONTÍNUAS Assim como ocorre com as variáveis discretas.ê ú = (b . Média. exponencial e normal.7. Determinar as probabilidades: (a) P(X < 7) (c) P(8 < x < 9) Solução: Utilizando a FDA da variável vem: Prof. dx = (a + b) / 2 b− a 1 Variância ∞ σ2 = V(X) = ò−∞ x2 .viali@mat.5. expectância ou valor esperado b ∞ µ = E(X) = ò−∞ x.mat.5. pode ser facilmente avaliada e.

4 0.0 61.0 0.http://www.0 S3 S2 S1 11.90.90) = ò0 .6 1.18 Suponha que um componente eletrônico tenha um tempo de vida T (em unidades de 1000 horas) que segue uma distribuição exponencial de parâmetro λ = 1.3. A D I S T R I B U I Ç Ã O E XP O N E N C I A L Definição: Uma variável aleatória contínua T tem uma distribuição exponencial de parâmetro λ se sua função densidade de probabilidade f(t) for do tipo: f(t) = λe-λt para t > 0 =0 caso contrário 2.(8 .5 > 2 ou X . Lorí Viali .2 1.5) / (10 .5) .6).pucrs.5) / (10 . Exemplo 3.0 71. P(1.F(8) = (9 .br/~lori/ 37 .SÉRIE: Probabilidade INTRODUÇÃO (a) P(X < 7) = F(7) = (7 .5) / (10 .viali@mat.3 / 5 = 1 / 5 = 20% (d) P(|X .F(9.5) = 20% 3.8 0.5) = 1 .9 + e0 = 1 .4066 Então o lucro esperado será: Prof.5 ou X < 5.0 101.7.0 51.0 81.0 Figura 3.3.4 1.mat.5) + F(5.5) e P(0.P(X < 8.0 31. Qual o lucro esperado por item? Solução: Neste caso.5934 3 0.(8.2 0.9 e− t dt = − e− t [ ] 0.F(8.8 1.0 1.5 – Exemplos de distribuições exponenciais: P(2).0 1.9 0 = -e-0.70 = 30% (c) P(8 < X < 9) = F(9) .5) / (10 .7.5) = 1 .0.7.5. Suponha que o custo de fabricação do item seja R$ 2. tem-se: f(t) = e-t para t > 0 A probabilidade de um componente durar menos de 900 horas é dada por: 0 P(T < 0.0 41.5) = 2 / 5 = 40% (b) P(X > 8.5) = 4 / 5 . O fabricante garante total devolução se t < 0.5) = 1 .34% Desta forma o lucro do fabricante será uma VAD X com a seguinte distribuição: x f(x) -2 0.00.9 = 59.0 91.br .5) = 1 .5 < -2) = P(X > 9.5) = 1 .6 0.0 21.5| > 2) = P(X .pucrs.00 e que o preço de venda seja R$ 5.5 / 5 = 1 .1/ e0.5 .

ou seja: P(X ≥ s + t / X ≥ s) = P(X ≥ s + t ∩ X ≥ s) / P(X ≥ s) = P(X ≥ s + t) / P(X ≥ s) =e -λ(s+t) / e-λs = e-λt Portanto P(X ≥ s + t / X ≥ s) = P(X ≥ t) Relação com a distribuição de Poisson Deve-se observar inicialmente que fixado um tempo. a probabilidade de não ocorrências de eventos neste intervalo é dado por: f(0) = P(X = 0) = [(λt)0e-λt] / 0! = e-λt Se a variável aleatória contínua T representar o tempo passado entre a ocorrência de dois eventos de Poisson. ï −λt ï1 − e .pucrs.λ e− λt dx .λ e− λt dt = 1/λ Variância ∞ σ2 = E(X2) .4. se x ≥ 0 î Portanto P(X ≥ x) 1 .pucrs.03 3.µ2 = ò0 t2 .SÉRIE: Probabilidade INTRODUÇÃO E(X) = -2. expectância ou valor esperado ∞ ∞ µ = E(X) = ò0 t. P R O P R I E D A D E S DA DISTRIBUIÇÃO E XPO N E N C I A L Se T for uma VAC com distribuição Exponencial. isto é: F(t) = P(T ≤ t) = 1 . f ( t)dt = ò0 t.br .http://www.5.e-λt Que conforme já visto é a função acumulada da variável aleatória exponencial de parâmetro λ. então: Média.[1 .viali@mat. então a probabilidade da não ocorrência no tempo “t” é igual a probabilidade de que o tempo T entre ocorrências seja maior que “t”.F(x) = 1 .0.mat.br/~lori/ 38 .0. isto é: P(T > t) = e-λt Tem-se ainda que: P(T ≤ t) = 1 .λ2 = 1/λ2 O desvio padrão σ= 1 = 1 λ λ2 A FDA da distribuição Exponencial A FDA da distribuição Exponencial é dada por: t F(x) = P(X ≤ x) = ò0 λ e− λu du = í se x < 0 ì0.4066 = R$ 0. Lorí Viali .5934 + 3.e-λt Prof.e-λt] = e-λt A distribuição Exponencial não tem memória A distribuição Exponencial apresenta uma propriedade interessante que é denominada de falta de memória.

E por isso ela é encontrada tabelada em qualquer livro texto de Probabilidade ou Estatística.8 0.0 Figura 3. A DISTRIBUIÇÃO NORMAL Um dos principais modelos de distribuição contínua é a curva normal ou de Gauss.6 0. não pode ser avaliada pelo método tradicional (teorema fundamental do cálculo). 1/2).0 -4. Prof. para -∞ ≤ x ≤ ∞ 0. e aliás como de qualquer outra normal. então: Média.5.http://www. Variância V(X) = σ2.SÉRIE: Probabilidade INTRODUÇÃO 3. O desvio padrão O desvio padrão da distribuição normal é o parâmetro σ.viali@mat.pucrs. o parâmetro µ é a média da distribuição normal.pucrs.br . isto é.0 -2.6.0 4.0 1. P R O P R I E D A D E S DA DISTRIBUIÇÃO NORMAL Se X for uma VAC com distribuição Normal. 2) 3.mat. Este modelo também tem uma importância teórica devido ao fato de ser uma distribuição limite. expectância ou valor esperado E(X) = µ.2 0. Lorí Viali .4 0.0 -3. Uma variável aleatória contínua X tem uma distribuição normal (ou Gaussiana) se sua função densidade de probabilidade for do tipo: f(x) = 1 σ 2π e −( x− µ )2 / 2σ 2 . Sua importância para a Estatística (prática) reside no fato que muitas variáveis encontradas na natureza se distribuem de acordo com o modelo normal.0 -5.0 5.6 – Distribuições normais: N(0. isto é. FDA da distribuição Normal A função de distribuição (FDA) da normal reduzida é representada por: z Φ(z) = P(Z ≤ z) = ò−∞ 1 2π e − u2 / 2 du Esta integral. a variância da distribuição normal é o parâmetro σ ao quadrado.5.5. 1) e N(0.0 0. Ela só pode ser calculada por métodos numéricos.0 -1.0 3.0 2. N(0.br/~lori/ 39 .

(f) f(x) é simétrica ao redor de x = µ .pucrs. então Y terá a distribuição N(aµ + b.0 -3. são os valores onde o gráfico da função muda o sinal da curvatura.3 0. para -∞ ≤ z ≤∞ Se X é uma N(µ.0 -1.σ e µ + σ são os pontos de inflexão da função f(x). (e) x = µ é o ponto de máximo de f(x) e este máximo vale 1 σ 2π .x) (g) Se X tem uma distribuição normal de média µ e desvio padrão σ se escreverá: X : N(µ.5 0.7.4 0.µ) / σ.0 -4. σ) então primeiro é necessário padronizar X.viali@mat. fazer: Z = (X .0 1.0 4.5.0 2. A variável normal +padrão será anotada por Z. isto é.mat. Isto significa que qualquer curva normal poderá ser padronizada. o valor: P(Z ≤ z) = Φ(z) Prof.br/~lori/ 40 . mediante esta transformação.SÉRIE: Probabilidade INTRODUÇÃO Outras propriedades (a) Transformação linear de uma variável aleatória normal Se X tiver uma distribuição N(µ.7 .0 S1 Figura 3.µ) / σ é a normal padrão ou reduzida. 1). isto é. σ) (h) Quando µ = 0 e σ = 1.br . Lorí Viali . tem-se uma distribuição normal padrão ou normal reduzida. então Z = (X . Assim se X : N(µ. 0. (c) f(x) → 0 quando x → ∞ ou -∞. σ).http://www. Então Z : N(0. isto é. aσ) (b) Combinação linear de variáveis aleatórias normais independentes A combinação linear de variáveis aleatórias normais independentes será uma variável aleatória normalmente distribuída.0 -2.2 0.0 3.Distribuição Normal Padrão 3.σ) e se Y = aX + b.pucrs. Em seguida obter em uma tabela o valor da probabilidade. A função densidade de probabilidade da variável aleatória Z será representada por: ϕ(z) = (i) 1 2π 2 e− z / 2 . isto é: f(µ + x) = f(µ . T A B E L A S A forma de se calcular probabilidade com qualquer distribuição normal é através da tabela da normal padrão.1 0. (d) µ .0 0.

09 e +3.08 ≤ X ≤ 13.23) = Φ(2. que até este valor tem-se a totalidade da área útil sob a curva avaliada com uma aproximação de 4 decimais.br .Φ(-1) = 0.br/~lori/ 41 . Lorí Viali . O valor seguinte seria Φ(-3. Isto é: P(X = x) = ç ÷ .75) = 1 .09) = 1. Lembrar que qualquer tabela é construída fornecendo os valores da FDA de Z.SÉRIE: Probabilidade INTRODUÇÃO Este valor Φ(z) pode ser lido como “valor tabelado de z” e significa a probabilidade de a variável aleatória contínua Z = (X . se quiséssemos.Φ(-1.0735 = 92. Φ(3.0000.1587 = 68. Determinar: (a) P(X < 10) (b) P(X > 11.45) = 1 .10) / 2 (a) P(X < 10) = P((X .Φ(-1) = 0.08 ≤ Z ≤ 13. através da expressão: Z = (X .09 e com aproximação centesimal. Determinar as seguintes probabilidades: (a) P(Z < 2.65% (c) P(-2 < Z ≤ 2) = Φ(2) .26% (d) P(6.50 .0.Φ(-1.10) / 2) = P(Z > 0.5. Convém ressaltar que as tabelas sendo da FDA de Z fornecem a área à esquerda de um valor qualquer “z”. Algumas fornecem valores de z entre 0 e 3. 2).0.pucrs.50) = P(Z > (11.92) Solução: Neste caso.19 Seja Z uma N(0. é zero com uma aproximação de 4 decimais. 1). isto quer dizer.9772 .96) = 0. A maioria delas fornece as probabilidades de Z ≤ z para valores de z entre -3.45) = 1 .µ) / σ assumir valores à esquerda (abaixo de) do valor particular “z”.0250 = 95% 3.44% (d) P(-1 ≤ Z ≤ 1) = Φ(1) .96 < Z ≤ 1.96) = Φ(1. O último valor tabelado é.66% (c) P(8 < X ≤ 12) = P(-1 < Z ≤ 1) = Φ(1) .10) / 2) = P(Z < 0) = Φ(0) = 50% (b) P(X > 11.8413 .mat.000.P(Z ≤ z) = 1 .45) (c) P(-2 < Z ≤ 2) (d) P(-1 ≤ Z ≤ 1) Solução: (a) P(Z < 2.09) = P(Z ≤ 3.8413 .1587 = 68.8. isto é.08) = 0.96) . a área à direita de “z”.viali@mat.0.20 Seja X uma VAC com distribuição N(10.P(Z ≤ -1.Φ(z) = Φ(-z) Exemplo 3. pois é o valor acumulado.09 Assim o primeiro valor tabelado é em geral Φ(-3.45) = 1 .71% (b) P(Z > -1. basta observar que: P(Z > z) = 1 .http://www.75) = 22.Φ(-2) = 0.9750 . antes de se poder procurar os valores na tabela é necessário padronizar cada valor de X. qn − x æ nö è xø Prof.50) (c) P(8 < Z ≤ 12) (d) P(6.10) / 2 < (10 .26% Exemplo 3.23) = 98. em geral.Φ(0. R E L A Ç Ã O ENTRE AS DISTRIBUIÇÕES B I N OM I A L E N ORM A L Seja X uma variável aleatória distribuída binomialmente com parâmetros “n” e “p”.09) que vale 0.pucrs. No entanto.µ) / σ = (X . como a curva é simétrica.08) = P(Z ≤ -3.92) = P(-1. px .0.23) (b) P(Z > -1.09) = P(Z ≤ -3.0001.0.0228 = 95.

E(X ± k) = E(X) ± k (4) A média de uma soma ou diferença de duas variáveis aleatórias é igual a soma ou diferença das médias dessas variáveis. M É D I A (1) A média de uma constante é igual a própria constante.7386 2 2 Então P(X =12) calculado pela normal com utilização da correção de continuidade será: P(X =12) ≅ P(11. P(X = x) no intervalo P(x .5) = P(-1. E(kX) =k. devido ao fato de se estar aproximando uma distribuição discreta. PROPRIEDADES DA MÉDIA E VARIÂNCIA DE VARIÁVEIS ALEATÓRIAS 3. através de uma contínua.0.6.06% Aproximando pela normal tem-se: µ = np = 30.br/~lori/ 42 .5 < X < x + 0. recomenda-se para se obter maior precisão.0.5) = 0.22% 3.518 = 8.br .5) e o mesmo em qualquer outra situação. E(k) = k.06%.pucrs. 1 1 = 2. Exemplo 3.14% Aproximando pela normal. tem-se: P(X > 20. qual a probabilidade de saírem: (a) Exatamente 12 caras? (b) Mais de 20 caras? Solução: (a) A probabilidade de saírem 12 caras é dada pela distribuição binomial por: P(X = 12) = ç ÷ .0.91) = 0.4778 = 2. Prof.6.512 .3997 . . 0. æ ö . æ ö ç ÷ ç ÷ i= 21 è i 30 −i i ø è 2ø è 2ø = 2.5000 . Lorí Viali .11%.mat.E(X) (3) Se os valores de uma variável aleatória forem somados a uma constante a média ficará igualmente somada dessa constante. No entanto.(1/2) = 15 æ 30ö è12 ø σ = npq = 30.http://www.1.SÉRIE: Probabilidade INTRODUÇÃO Quando o número de provas “n” cresce (tende ao infinito) a distribuição binomial tende a uma distribuição normal de média µ = np e desvio padrão σ = npq Em geral admite-se que para np ≥ 5 e nq ≥ 5. onde k = constante (2) Se multiplicarmos os valores de uma variável aleatória por uma constante. realizar uma correção de continuidade que consiste em transformar. 0.28 < Z < -0. a média fica multiplicada por esta constante. “n” já será suficientemente grande para se poder aproximar uma distribuição binomial pela normal.pucrs.5 < X < 12. que não é muito diferente do valor exato 8. por exemplo. 30 æ 30ö 1 1 (b) P(X > 20) = å ç ÷ .3186 = 8.viali@mat.21 No lançamento de 30 moedas honestas.

V(X ± Y) = V(X) + V(Y) 3.4/9k2 = = 1 .1/k2 Se a distribuição for unimodal e simétrica. neste caso. V(X ± k) = V(X) (4) A variância de uma soma ou diferença de duas variáveis aleatórias independentes é igual a soma das variâncias dessas variáveis.µ| < kσ) ≥ 1 . Prof.http://www. ou de forma equivalente P(|X . tem-se.6.44%. por exemplo. para qualquer número “k > 1”: P(|X . A moda é o(s) ponto(s) de maior probabilidade.br .3.50.pucrs.6.br/~lori/ 43 .viali@mat. No caso discreto pode haver todo um intervalo que satisfaz a relação acima. a desigualdade de Tchebycheff estabelece que o percentual de valores da variável aleatória que está compreendida no intervalo µ ± 2σ é de pelo menos 1 . Tchebichev ou Chebyshev. 3.pucrs.V(X) (3) Se os valores de uma variável aleatória forem somados a uma constante a variância não se altera. Assim se k = 2.Y) = E(X).2.mat. É representada por mo. Então: P(X < md) = P(X > md) = 0. então: P(|X .µ| ≥ kσ) ≤ 1/k2 (Desigualdade de Tchebycheff. Conforme visto pela normal este percentual vale exatamente 95. convenciona-se em geral adotar o ponto médio deste intervalo.89%.µ| ≥ kσ) ≤ 4/9k2 (Desigualdade de Camp-Meidell) Estas desigualdades fornecem as probabilidades de que os valores de uma variável aleatória (qualquer) esteja num intervalo simétrico em torno da média de amplitude igual a 2k desvios padrões. no caso discreto.50. neste caso. Pode-se ainda.E(Y) 3. 1 .1/4 = 75%. isto é. 1821 1894).SÉRIE: Probabilidade INTRODUÇÃO E(X ± Y) = E(X) ± E(Y) (5) A média do produto de duas variáveis aleatórias independentes é igual ao produto das médias dessas variáveis. A M E D I A N A E A M OD A A mediana de uma variável aleatória é o valor que divide a distribuição em duas partes eqüiprováveis.5. D E S I G U A L D A D E S DE TCHEBYCHEFF E C A M P -M E I D E L L Pode-se demonstrar que. E(X. Lorí Viali . onde a mediana pode ser definida como sendo o ponto tal que F(md) = 0. ou maior densidade de probabilidade no caso contínuo.4. Mas como a normal é simétrica e unimodal.1/9 = 88. definir a mediana como sendo o menor valor para o qual F(md) > 0.6. Este ponto sempre existe se a variável é contínua. Será representada por md. para qualquer distribuição de probabilidade que possua média µ e desvio padrão σ. V A R I Â N C I A (1) A variância de uma constante é nula V(k) = 0 (2) Se multiplicarmos os valores de uma variável aleatória por uma constante. um resultado mais próximo é dado pela desigualdade de Camp-Meidell. V(kX) = k2. a variância fica multiplicada pelo quadrado da constante.

obtida pela desigualdade de Tchebycheff.µ| ≥ kσ) = P(|X . 3 Prof.pucrs.mat.µ| ≥ kσ) = P(|X .1| ≥ 4 3 ) = 1/4.a)2 / 12 = 4/3 Então: P(|X .1| ≥ 4 Por Tchebycheff. 3). teríamos: P(|X .br/~lori/ 44 . com a probabilidade exata se X for uniformemente distribuída sobre (-1.pucrs.http://www. 3 3 ) = 0 é a probabilidade exata.22 Compare o limite superior da probabilidade P[(X . Solução: Para uma distribuição uniforme tem-se µ = (a + b) / 2 = (-1 + 3) / 2 = 1 e V(X) = (b .µ| ≥ 2σ)].br .viali@mat.SÉRIE: Probabilidade INTRODUÇÃO Exemplo 3. Lorí Viali .

viali@mat. m3 vermelhas e m4 azuis.2) Quantos são os pares que se consegue obter desta forma? (06. c.pucrs. dispostas desta forma. (02) Quantos divisores positivos tem o número 3 888? (03) As novas placas de automóveis contém 3 letras seguidas de 4 números. Retiram-se sucessivamente duas bolas da primeira urna. 5.1) Nenhum letra puder ser repetida? (10. Quantos são: (09. enfileirando-as da esquerda para à direita à medida que forem sendo retiradas. p2 pretas. os seguintes dados de pacientes foram registrados: 25 com antígeno A 17 com os antígenos A e B 27 com o antígeno B 22 com os antígenos B e Rh 30 com o antígeno Rh 12 sem antígenos 16 com os antígenos A e Rh 15 com os três antígenos Com base nestes dados. p3 vermelhas e p4 azuis. quantos são: (08. Quantas placas diferentes podem ser formadas com esta combinação. 9 e 8. b. Qual o número de “palavras” distintas” em um computador de 32 bits? (08) Dados “n” pontos de um plano. e. m2 pretas. uma da segunda. Quantos são os elementos de A? (06) Em uma urna colocam-se bolas numeradas de 1 a 3. f quantas palavras-código de 4 letras poderão se formadas se: (10. EXERCÍCIOS (01) Encontre a quantidade de números de dois dígitos que não contenham dígitos repetidos. bolas numeradas com os algarismos 0. Pergunta-se: (06.mat.br/~lori/ 45 . (04) Em relação a palavra filtro. sendo m1 brancas.1) Quantos são os números possíveis? (06.2) Anagramas começam com L? (04.3) Os casos em que não aparecem bolas brancas? (10) Com as 6 letras: a.2) Os triângulos.1) Os casos possíveis? (09. quantos: (04.1) Os segmentos de reta que os ligam 2 a 2? (08. cujos vértices são escolhidos entre os pontos? (09) Em uma urna há m bolas coloridas.2) Qualquer letra puder ser repetida qualquer número de vezes? (11) Em um certo hospital.1) Anagramas existem? (04. sendo p1 + p2 + p3 + p4 = p? (09. formam um número.4) Anagramas começam com consoante? (05) Um conjunto A tem 45 subconjuntos com dois elementos. sendo três quaisquer não alinhados.SÉRIE: Probabilidade INTRODUÇÃO 4.2) Os casos em que aparecem p1 brancas. determine quantos pacientes: Prof.3) Anagramas começam com O e terminam em I? (04. numa segunda urna. Os algarismos das seis bolas extraídas.br . Retiram-se simultaneamente “p” bolas. d. bolas numeradas de 4 a 7 e em uma terceira urna.pucrs. Lorí Viali .3) Quantos são divisíveis por 25? (07) Em um computador digital um “bit” é um dos algarismos “0” ou “1” e uma “palavra” é uma seqüência de bits.http://www. e três da terceira. onde p ≤ m.

http://www.2) Uma moeda dourada e uma prateada. (20. (16. Lorí Viali . (18.br/~lori/ 46 . duas moedas desta urna. (18.4) Duas moedas de mesma cor. Qual o espaço amostra do experimento. B e C disputam um torneio de futebol. (21.pucrs. Inicialmente.3) Tem exatamente dois antígenos? (11.1) P(AUB) (21.1) Estão representados aqui? (11. P(B) = 0. ao todo. 30 investem no fundão e 10 investem na poupança e no fundão. P(B) = y e P(A∩B) = z. O torneio termina quando um jogador ganha duas vezes em seguida ou quando são disputadas. “y” e “z”. Calcular a probabilidade de que saiam: (18.8) Tem sangue A positivo? (12) Quatro moedas são lançadas e observa-se a seqüência de caras e coroas obtida.4) Tem sangue O positivo? (11.5) P( A UB ) (21.1) A e B são mutuamente exclusivos? Justifique. (17) Dois dados são lançados.4) P(A/B) (21.2) P( A ) (21. A∩B e A (18) Uma urna contém 12 moedas de igual tamanho. e assim por diante. se for vermelha. O experimento consiste em retirar.3. (16) Considerando dois eventos A e B de um mesmo espaço amostra S. sem reposição e ao acaso. Retira-se uma bola ao acaso da urna.2) Tem exatamente um antígeno? (11.8 e P(A∩B) = 0.3) Nenhum dos eventos ocorre. quatro partidas. (19) Resolva o exercício um considerando a retirada das moedas com reposição. nesta ordem.2) Qual a P(B )? (20.15.8) P(A∩B ) (21. Enumere os resultados do espaço amostra: resultados possíveis do torneio. (20) sejam P(A) = 0. Dê o espaço amostral correspondente. A joga com B e o vencedor joga com C.6) P( A UB) (21. lança-se uma moeda. Selecionado um destes investidores ao acaso.6) Tem sangue B negativo? (11. Dê uma espaço amostra para o experimento.5) Tem sangue AB positivo? (11. (13) Uma urna contém duas bolas brancas (B) e três bolas vermelhas (V). expresse em termos de operações entre eventos: (16.3) P(B ) (21.1) A ocorre mas B não ocorre.7) P( A ∩B) (21. (14) Três times A.10) P( A / B ) (22) Uma amostra de 140 investidores de um banco revelou que 80 investem em poupança.1) Uma moeda dourada e uma prateada. (18.mat.3. (20.pucrs.) Duas moedas douradas. sendo 7 douradas e 5 prateadas.7) Tem sangue O negativo? (11. ela é devolvida à urna e retira-se outra bola. Exprima cada uma das seguintes probabilidades em termos de “x”.2) Exatamente um dos eventos ocorre. (16. qual a probabilidade de que ele tenha investimentos na poupança ou no fundão? Prof.viali@mat. Determine os eventos A e B e ainda os eventos: A∪B.9) P( A ∩B ) (21.SÉRIE: Probabilidade INTRODUÇÃO (11. (15) Uma moeda e um dado são lançados. e B = o ponto do primeiro dado é maior ou igual a 4.br . Define-se os eventos: A = soma dos pontos obtidos igual a 9.3) Determine (a) P(AUB) (b) P(A∩B ) (c) P( A ∩B ) (d) P( A ∩B) (21) Suponha que A e B sejam eventos tais que P(A) = x. Se for branca.

1) A e B são eventos mutuamente excludentes? Por que? (26. (27.1) Alunos só da Economia. Calcular: (34.1) Todos os resultados possíveis e suas respectivas probabilidades. 14 de Administração e 21 de Contábeis.br .2) A probabilidade de sair um número par.SÉRIE: Probabilidade INTRODUÇÃO (23) A probabilidade de um aluno A resolver uma questão de prova é 0. (32. Lorí Viali . Se ambos atirarem simultaneamente e independentemente.40 e P(AUB) = 0.045? Explique? (29) Se o jogo um da loteria esportiva for marcado na coluna dois. sabendo que saiu um número maior do que 3. (27) Uma turma é composta de 9 alunos de Economia. (34. dentre 6 números positivos e 8 negativos.br/~lori/ 47 . Uma delas é ensaiada e se verifica ser perfeita. (28) Um produtor de parafusos verificou que em uma amostra de 100 parafusos 5 eram defeituosos.60. sabendo-se que o ponto que saiu é ímpar. Desejase eleger ao acaso uma comissão de dois alunos dessa turma. (31) Os lugares de 6 pessoas em uma mesa circular são determinados por sorteio.http://www. sem reposição.60.70.2) Ambos acertem o alvo? (25) Sejam A e B dois eventos mutuamente excludentes. (27.52 e a probabilidade de A não ocorrer é 0. de uma caixa contendo 3 bolas pretas e 5 bolas vermelhas. (27.80. Determine: (32. Qual a probabilidade de Aristeu e Fariseu se sentem lado a lado? (32) Suponha-se que são retiradas duas bolas. Prof.05? Ou 0.pucrs. Calcule a probabilidade de que esta comissão seja formada por: (27. e então multiplicados. (24) Um atirador A tem probabilidade de 1/4 de acertar um alvo. Qual a probabilidade de que a questão seja resolvida se os dois alunos tentarem resolvê-la independentemente. Calcule a probabilidade de B ocorrer? (26) Sejam: P(A) = 0. A probabilidade de ocorrência de ao menos um destes eventos é 0. Duas válvulas são extraídas juntas. qual a probabilidade de que: (24. (26. então é possível afirmar que a probabilidade de acertar este jogo é de 1/3? Por que? (30) Dois números são escolhidos ao acaso e sem reposição.2) Um aluno da Economia e outro de outro curso.mat. Calcule a probabilidade de que o produto seja positivo. Você diria que a probabilidade de o próximo parafuso a ser produzido ter defeito é 0. (33) Uma caixa contém 4 válvulas defeituosas e 6 perfeitas. de tal forma que a probabilidade de sair um certo ponto é proporcional ao seu valor (por exemplo o ponto 4 é duas vezes mais provável do que o ponto dois).3) A e B são eventos independentes? Por que? (26.viali@mat.1) A probabilidade de sair 5.1) Ao menos um deles acerto o alvo e (24.2) Qual o valor de P(A∩B).50. P(B) = 0.4) Quais os valores de P(A/B) e P(B/A).pucrs. Já um atirador B tem probabilidade de 2/5 de acertar o mesmo alvo.2) Todos os resultados possíveis e suas probabilidades supondo a extração com reposição da primeira bola retirada. Numa segunda amostra de 200 parafusos ele encontrou 9 defeituosos.4) Dois alunos da Administração ou dois da Contábeis.3) Um aluno da Economia e outro da Contábeis. (26. enquanto que a do aluno B é 0. Qual a probabilidade de que a outra válvula também seja perfeita? (34) Um dado é viciado.

enquanto P(A∪B) = 0. respectivamente.pucrs. são: 1/3.pucrs. Seja P(B) = p. qual a probabilidade de todos os 3 motoristas sofrerem acidentes? Qual a probabilidade de que ao menos um chegue em casa a salvo? (40) Duas lâmpadas queimadas foram misturadas acidentalmente com 6 lâmpadas boas. 20% dos fregueses do sexo masculino preferem salada.br/~lori/ 48 . (37) Um restaurante popular apresenta apenas dois tipos de refeições: salada completa e um prato à base de carne.1) P(H) (37. 30% das mulheres escolhem carne. A e B serão independentes? (45) Um aparelho é escolhido ao acaso dentre 10 aparelhos. Considere os seguintes eventos: H: o freguês é homem A: O freguês prefere salada M: O freguês é mulher B: O freguês prefere carne Calcular: (37.4) P(A∩H) (37.mat. até encontrar as duas queimadas. detectando problemas com probabilidades de 0.5) P(A∪H) (37. Se decidirem (erradamente) dirigir até em casa. 75% dos fregueses são homens. A e B serão mutuamente excludentes? (44. este seja detectado por somente um dos aparelhos.2) O uso do hospital independe do sexo do segurado? (39) As probabilidades de 3 motoristas serem capazes de dirigir até em casa com segurança. qual é a probabilidade de que a última defeituosa seja encontrada no quarto teste? (41) Num teste com duas marcas que lhe são apresentadas em ordem aleatória. depois de beber.2) Para que valor de “p”.SÉRIE: Probabilidade INTRODUÇÃO (35) A probabilidade de que dois eventos independentes ocorram são p e q. (44) Sejam A e B dois eventos.2) P(A/H) (37.1) Qual a probabilidade de que uma pessoa segurada use o hospital? (38.90. Determinar a probabilidade de que dado um problema.18.viali@mat. (43) Dois aparelhos de alarme funcionam de forma independente. se na realidade ele não possui habilidade alguma para distinguir? (41. determine a probabilidade da ocorrência de um e somente um destes acontecimentos. 72 e P(AB ) = 0. depois de beber numa festa. sendo que destes 6 funcionam sem falhas com uma probabilidade de 80% e os outros quatro funcionam sem falhas com uma probabilidade de 95%.http://www. Qual a probabilidade de que: (35. (44. um experimentador de vinhos faz três identificações corretas em três tentativas. uma a uma.1) Qual a probabilidade disto ocorrer. Se as lâmpadas forem sendo testadas. (35. Suponha que P(A) = 0. 1/4 e 1/5.6) P(M/A) (38) Uma companhia de seguros analisou a freqüência com que 2000 segurados (1000 homens e 1000 mulheres) usaram o hospital.2) E se a probabilidade de distinguir corretamente é de 90% em cada tentativa? (42) Dados que dois acontecimentos A e B ocorrem independentemente com probabilidades p e q respectivamente. (41.br .70. Determinar a probabilidade de que o aparelho escolhido funcione sem falhas.2) Pelo menos um destes eventos ocorra (36) Calcular a P(A) sabendo que: P(AB) = 0.40. Os resultados estão apresentados na tabela: Usaram o hospital Não usaram o hospital Homens 100 900 Mulheres 150 850 (38.1) Para que valor de “p”.1) Nenhum destes eventos ocorra.3) P(B/M) (37. Prof. Lorí Viali .95 e 0.

Retirada uma peça ao acaso de um lote produzido pelas duas máquinas verificou-se que ela era de alta qualidade. qual a probabilidade de ser por defeito elétrico? (52) Considere uma urna contendo 3 bolas vermelhas e 5 pretas. Estabeleça a distribuição de probabilidade de X.pucrs. uma das quais com duas caras. Determinar a probabilidade de que tenha sido produzida pela primeira máquina. Determine a distribuição de X. (51) Um carro pode parar por defeito elétrico ou mecânico. determine a distribuição de probabilidade dessa soma.mat. (54) Uma caixa contém 3 bolas brancas e uma preta. A probabilidade de passar no exame de acordo com os fiscais é de 0. Seja X o número de pontos “um” que aparece. obtendo-se duas caras. Jogam-se ambos e somam-se os pontos das faces que ficarem voltadas para cima. Escolhida uma máquina ao acaso qual a probabilidade de acerto? (48) Das peças fornecidas por duas máquinas automáticas 60% e 84%. até conseguir apanhar a bola preta. Determine a distribuição de probabilidade de X e calcule a média e a variância de X.90 e de 0. Seja X o número de tentativas que serão necessárias.55 por um fiscal e com probabilidade 0. Sabendo-se que a soma obtida é maior do que 4. Quanto deve pagar se perder.00 se obtiver só caras ou só coroas. Se há defeito elétrico o carro para na proporção de 1 para 5 e. Calcule a média. B e C apresentam respectivamente: 10%. não ocorrendo mais de um defeito na mesma viagem.viali@mat. igual ou de tipo diferente. um empresário pode ter um lucro de R$ 300 com uma probabilidade de 0. Uma pessoa vai retirar as bolas uma a uma. Achar a probabilidade de que um objeto aceito tenha sido examinado pelo segundo fiscal. (56) Uma caixa contém 4 bolas brancas e 3 bolas pretas.60 ou então um prejuízo de R$ 100 com uma probabilidade de 0. 1 para 20. para que o jogo seja eqüitativo (não perca e nem ganhe)? (58) Em um certo empreendimento comercial. para que um operário processe certa peça é uma VAD com distribuição dada na tabela abaixo. sem reposição. Uma moeda foi tomada ao acaso e jogada duas vezes. Estabeleça a distribuição de probabilidade do número de bolas retiradas uma a uma e sem reposição até sair a última bola preta. são de alta qualidade. (53) Um dado é jogado 3 vezes. se mecânico.http://www. Prof. A produtividade da primeira máquina é o dobro do que a da segunda máquina. (57) Uma pessoa joga 3 moedas e ganha R$ 6. moda e desvio padrão dessa variável aleatória. em minutos. e é definida a variável aleatória X = número de bolas pretas retiradas. Se a três máquinas produzem igual quantidade de peças e retiramos duas peças ao acaso da produção global qual a probabilidade de que ambas sejam perfeitas? (47) Dentre 5 máquinas existem 3 de maior precisão que garantem um acerto de 95% e as duas restantes garantem um acerto de 75%. respectivamente. (49) Uma caixa contém quatro moedas.40.SÉRIE: Probabilidade INTRODUÇÃO (46) Três máquinas A. Lorí Viali . Em 10% das viagens há defeito elétrico e em 20% mecânico. (59) O tempo T.br/~lori/ 49 .br . 20% e 30% de defeituosos na sua produção.98 respectivamente. Determinar o lucro médio do empreendimento. Retira-se 3 bolas. Se o carro para.45 por outro fiscal. (55) Dois tetraedros regulares têm suas faces numeradas de 1 a 4.pucrs. Qual a probabilidade de que seja a moeda com duas caras? (50) Cada objeto manufaturado é examinado com probabilidade 0.

1) Calcule a probabilidade de que uma embalagem tomada ao acaso contenha: (a) Exatamente uma pilha defeituosa (b) Somente pilhas perfeitas (c) No máximo duas pilhas defeituosas. se ganhar. Por exemplo.http://www.45 ou prejuízo de 15% ao mês com probabilidade de 0. Utilize a expectância para determinar qual o lucro ou prejuízo esperado em 370 apostas deste mesmo valor? (65) Pilhas de uma certa marca são acondicionadas de modo causal em embalagens de quatro pilhas.br/~lori/ 50 .1) Calcule o tempo médio de processamento.pucrs.2) Para cada peça processada o operário ganha um fixo de R$ 2.viali@mat. (65. (69.00 e um só número e dispõe de R$ 50. Encontre a média e a variância de G = quantia ganha por peça. 4% com probabilidade 0. 2. Represente em uma tabela a distribuição de X e calcule a expectância e a variância de X.50 por cada minuto poupado. 2. (62) Seja f(x) = 0.br .10 4 0. (60) No jogo de roleta. Represente a função de probabilidade em uma tabela e determine: E(x) e V(X). Seja X a variável “número de parafusos defeituosos em envelopes de 500 parafusos”. (63) Um agente quer aplicar no mercado financeiro com o objetivo de fazer muitas aplicações mensais sucessivas. (59.09.1x a função de probabilidade da variável aleatória com conjunto de resultados X(S) = { 1.SÉRIE: Probabilidade INTRODUÇÃO t f(t) 2 0. sendo que . (69. por embalagem? (66) Qual a probabilidade de obtermos exatamente duas caras em 8 lançamentos de uma moeda equilibrada? (67) Uma turma tem 50 alunos.10 (59.00. a pessoa escolhe um número entre 37 (de 0 a 36) e aposta x.20 7 0. 1. determinar a probabilidade de a comissão resultante ter exatamente um aluno do sexo feminino.2) Suponha que se compre 100 destes envelopes.pucrs.46. (65. Quantas vezes se espera que jogue um jogador inveterado que aposta sempre R$ 2.10 3 0. 3. sendo 20 do sexo masculino. Qual a opção mais lucrativa para o agente? (64) Ao apostar R$ 100 no preto de uma roleta um apostador pode ganhar R$ 100 com probabilidade 17/37. recebe 35x. Quantos defeituosos deve-se esperar? Prof. Ele deve optar entre: I . ganha R$ 0. recebe a quantia de R$ 1. Lorí Viali .1) Calcule E(x) e V(x).30 5 0. Ele dispõem de duas opções. formar uma comissão de 4 alunos. mas usará a de maior rentabilidade.03. Você usaria o modelo binomial para calcular tal probabilidade? Por que? (68) Qual a probabilidade de se obter duas ou menos faces 2 em 7 lançamentos de um dado equilibrado? (69) A probabilidade de um parafuso produzido por uma empresa ser defeituoso é 0. 3. 4}. em média.2) Quantas defeituosas deve-se esperar que existam.Bolsa de valores com renda de 6% ao mês com probabilidade 0. 4 }. mas se processa a peça em menos de 6 minutos. Deseja-se também.mat. se ele processa a peça em 4 minutos.20 6 0.00? (61) O conjunto de resultados igualmente possíveis de uma variável aleatória X é X(S) = { 0.00.CDB com renda de 3% ao mês e sem riscos ou II .04 de uma pilha ser defeituosa. perder este mesmo valor com probabilidade de 18/37 ou não ganhar nada com probabilidade 2/37. Deseja-se através de um sorteio que atribua a cada aluno da turma a mesma probabilidade de ser eleito. O produtor desta marca opera com probabilidade de 0.

Lorí Viali . na população. (72. (79) Sendo f(x) = kx3 a densidade de uma variável aleatória contínua no intervalo 0 < x < 1.mat. o lote é rejeitado. determine o valor de “k”. a 3 petroleiros por dia. As atuais instalações podem atender. Se uma pessoa comprar 3 fechaduras. Determine a expectância e a variância de X e calcule ainda a P(12.viali@mat.20 (76. Determine a probabilidade de se aceitar o lote para as seguintes proporções de defeituosos no lote: (76. Calcule as probabilidades de retiradas 7 bolas.10 (76.2) A variância se 0 ≤ x < 3. (75) As chegadas de petroleiros a uma refinaria a cada dia ocorrem segundo uma distribuição de Poisson com parâmetro α = 2. Prof. 20].3) Qual o número médio e qual o desvio padrão do número de petroleiros que chegam por dia? (76) Suponha que um comprador precisa decidir se vai aceitar ou não um lote de itens.br . Suponha que n = 19 e a = 2. e se P(X = 0) = 0.1) As bolas são repostas na urna após as retiradas.br/~lori/ 51 . (80) Uma variável aleatória contínua X é definida pela seguinte função densidade: f(x) = 3 (x − 1)2 para 0 ≤ x < 2. a média. ele retira uma amostra de tamanho “n” do lote e conta o número “x” de defeituosos. calcular P(X > 2). caso contrario ì 2kx (81) Uma variável aleatória contínua tem a seguinte fdp: f ( x) = ï kx í ï0 î Determinar o valor de k. qual é a probabilidade de que não mais do que 5 de seus clientes venham a estar incluídos em tal acidente no próximo ano? (78) Uma variável aleatória contínua tem a seguinte função densidade de probabilidade: f(x) = 3x2 se 0 < x < 1 = 0 caso contrário.pucrs. Se x ≤ a. (71) Em um experimento binomial com 3 provas. O número “a” é fixado pelo comprador. Determinar: 2 (80.pucrs.31 < X < 16.http://www.05 (77) Uma cia de seguros descobriu que somente cerca de 0. qual a probabilidade de encontrar no máximo uma defeituosa? (74) Se X tiver uma distribuição de Poisson com parâmetro α.2) As bolas não são repostas na urna após as retiradas. sair apenas uma bola preta. ao acaso.SÉRIE: Probabilidade INTRODUÇÃO (70) Uma distribuição binomial tem média igual a 3 e variância igual a 2. nos seguintes casos: (72. a mediana e a variância da variável aleatória. Determine o valor de “p”.2) De quanto deverão ser aumentadas as instalações para permitir atender a todos os navios que chegarem pelo menos em 95% dos dias? (75. Se mais de 3 aportarem por dia o excesso é enviado para outro porto.1) Qual a probabilidade de se enviar petroleiros para outro porto? (75. Calcule P(X = 2). das quais 5 têm defeitos.50).3) 0.1) p = 0. Calcular a probabilidade dessa variável assumir um valor maior ou igual a 1/3. (72) Em uma urna existem 18 bolas brancas e duas pretas. Se seus 10 000 segurados são escolhidos. se 3 ≤ x < 5. no máximo. Para tal.20. (73) Uma loja tem um lote de 10 fechaduras. (75. a probabilidade de exatamente 2 sucessos é 12 vezes a probabilidade de 3 sucessos.2) 0.1) A média (80. o lote é aceito e se x > a.1 por cento da população está incluída em certo tipo de acidente por ano. (82) Uma variável X é uniformemente distribuída no intervalo [10.

O fabricante garante total devolução se x ≤ 0. qual é a probabilidade de que todos os pedidos sejam atendidos? Qual deveria ser o estoque para se tivesse 99% de probabilidade de que todos os pedidos fossem atendidos? Prof. encontre: (89. por estar com a produção esgotada? (92) O número de pedidos de compra de certo produto que uma cia recebe por semana distribui-se normalmente. σ). com média 125 e desvio padrão de 25.4) P(X < 8 ou X > 11) (88) Se X tem uma distribuição normal com média 100 e desvio padrão 10.http://www.2) A probabilidade de que uma lâmpada dure menos do que sua duração média.90 (89. (86) Se as interrupções no suprimento de energia elétrica ocorrem segundo uma distribuição de Poisson com a média de uma por mês (quatro semanas).95 (90) A alturas de 10000 alunos de um colégio têm distribuição aproximadamente normal com média de 170 cm e desvio padrão de 5 cm. com média de 500 e desvio padrão de 50. que conterá 75% das alturas dos alunos? (91) As vendas de determinado produto têm distribuição aproximadamente normal. -0.3) P(X > 100) (88.2) P(X < 1/2) = 0. (85. (86.2) Qual o intervalo simétrico em torno da média.pucrs.65 m? (90.br .2) Mais de três semanas.3) A duração mediana. Se em uma dada semana o estoque disponível é de 150 unidades. (90.9544 (89) Na distribuição N(µ.1) P(X < 115) (88. Lorí Viali . caso contrário. x > 0 = 0.00 um.1) Qual o número esperado de alunos com altura superior a 1. (85.001e = 0 caso contrário Determinar (85.µ| ≤ σ) (89. tal que P(X > a) = 0.8.a ≤ X ≤ 100 + a) = 0.2) P(|X .2) P(X ≥ 80) (88.00 um e o preço de venda seja 5.pucrs.001t (87) Se X : N(10. Se a empresa decide fabricar 600 unidades no mês em estudo. Suponha ainda que o custo de fabricação de um item seja 2.2) P(9 ≤ X ≤ 12) (87.1) P(X > 1) = 1/3 (83.SÉRIE: Probabilidade INTRODUÇÃO (83) Suponha que X seja uniformemente distribuída entre [-α.br/~lori/ 52 .3) O número “a”. Determinar o valor de α de modo que as seguintes relações estejam satisfeitas: (83. determine: (88.1) P(8 < X < 10) (87.4) O valor de “a” tal que P(100 .aσ < X < µ + aσ) = 0. qual é a probabilidade de que não possa atender a todos os pedidos desse mês.mat.1) A probabilidade de que uma lâmpada dure mais do que 1200 horas. 2) Calcular: (87. Qual o lucro esperado por item? (85) Uma lâmpada tem duração de acordo com a seguinte densidade de probabilidade: para t > 0 f(t) = 0. qual a probabilidade de que entre duas interrupções consecutivas haja um intervalo de: (86.1) Menos de uma semana.3) P(X > 10) (87.1) P(X < µ + 2σ) (89. α].4) O número “a”.7 (84) Suponha que um mecanismo eletrônico tenha um tempo de vida X (em unidades de 1000 horas) que é considerado uma variável aleatória com fdp dada por: f(x) = e-x . tal que P(µ . onde α > 0.viali@mat.

03 cm.SÉRIE: Probabilidade INTRODUÇÃO (93) Uma enchedora automática de garrafas de refrigerantes está regulada para que o volume médio de líquido em cada garrafa seja de 1000 cm3. caso contrário. 3).5% dos valores estão abaixo de 35. Um abatedouro comprará 5000 coelhos e pretende classificá-los de acordo com o peso. tenham distribuições N(42. determine: (102.02 cm.pucrs.8 kg. (102. qual aparelho deve ser preferido? E se for por um período de 51 horas? (96) A distribuição dos pesos de coelhos criados em uma granja pode muito bem ser representada por uma distribuição normal. os 55% seguintes como médios. com desvio padrão de 10 cm3. Qual o preço médio de venda de cada anel? (95) Suponha que as amplitudes de vida de dois aparelhos elétricos D1 e D2.1) Exatamente 12 caras? (100.2) Mais de 20 caras? (101) Uma variável aleatória tem média igual a 5 e desvio padrão igual a 3. (98) Numa prova de vestibular com 50 questões objetivas de 5 alternativas cada. Lorí Viali . Determinar a probabilidade que a face 4 (quatro) apareça: (99.1) A probabilidade de X estar no intervalo de 0 a 8.br .3) O que acontecerá com a percentagem do item (b) se a máquina for regulada de forma que a média seja 1200 cm3 e o desvio padrão 20 cm3? (94) O diâmetro de certo tipo de anel industrial é uma variável aleatória com distribuição normal de média 0.http://www. Determine sua média.10 cm e desvio padrão 0. ele é vendido por R$ 5. respectivamente. que responde ao acaso (chuta) todas as questões. Prof.1) P(|X . Pode-se admitir que a distribuição da variável seja normal.mat. Determine: (101. os 15% seguintes como grandes e os 10% mais pesados como extras. Quais os limites de pesos para cada classificação? (97) Uma distribuição normal tem desvio padrão igual a 5 e é tal que 1.5| ≤ 7.1) 18 vezes ou menos (99.2) Mais de 14 vezes (100) No lançamento de 30 moedas equilibradas.3) P(-1 ≤ X ≤ 11) (101.5| > h) = 0. Se o diâmetro do anel diferir da média de mais do que 0. 6) e N(45. Se o aparelho é para ser utilizado por um período de 45 horas.1) Qual a percentagem de garrafas em que o volume de líquido é menor que 990 cm3? (93.2) Qual o valor mínimo de P(-2 ≤ X ≤ 10).2) Qual a percentagem de garrafas em que o volume do líquido não se desvia da média em mais do que dois desvios padrões? (93. é vendido por R$ 10. do seguinte modo: 20% dos leves como pequenos. acerte mais do 15 questões? (99) Um dado equilibrado é lançado 120 vezes. (93.viali@mat.5) (102) Supondo que a média de uma variável aleatória X seja igual a 4 e o desvio padrão igual a 2.4) P(|X . com média de 5 kg e desvio padrão de 0.01 (101.br/~lori/ 53 .pucrs. qual a probabilidade de saírem: (100.5| ≤ 3) (101.00.00.2) h tal que P(|X . qual a probabilidade de que um candidato.

(c. ACBA.03% (18..50 e P(B/A) = 0. RESPOSTAS DOS EXERCÍCIOS (01) 81 (02) 30 (03) 175 760 000 (04) (04.. ckkc.3) A ∩ B = A ∪ B (18) (18.81% (27. ckck. . . (16) (16. 6). BCAB } (15) S = { (c. kkkk}.http://www.y + z (21.4) 602/1892 = 31. ACBB.6) 1 .2) 288 (06.3) 42/132 = 31.4) 62/132 = 46.. (5.pucrs. (6. 2).9) 1 . p2)C(m3. pois P(A∩B) ≠ ∅ (20. (09) (09. kkkc. (5..3) (a) 0.y (21. (10) (10.br ..1) n(n . .3) 48 (07) 4 294 967 296 (08) (8...B (16.92 = 92% (24) (24. (16. BCAA.1) Não. onde c = cara e k = coroa.. onde C = cara e K = coroa.viali@mat.y) (22) 10/14 = 5/7 = 71.98% (27.x .2) 0.3)} B = { (4.1) 360 (10. (4.31% (19.4) 74/144 = 51.3) 1 .12 = 12% (26) (26.1) 11/20 = 55% (24.2) (A∩ B )∪( A ∩B) = AUB .5) 15 (11. cckc. 4).1) Não. 2).4) 7 (11..1). (4. (6. (4.7) 12 (11. . (5.2) 1296 (11) (11.2) 1 .br/~lori/ 54 .x (21. kckc. 5).52% (18.z (21. pois P(A) + p(B) ≠ P(AUB) (26.2) 120 (04. VB.6) 3 (11. 3) } A = São 32 pares excetuando-se os pares de A acima. (k.. cckk.8) x .7) y .2) n(n . 1). 6).SÉRIE: Probabilidade INTRODUÇÃO 5.2) 70/132 = 53.1) A∩ B = A .03% (19. VV}..10) (1 .2) 0. Lorí Viali .z (21.82% (18.1) / 2 (8. (6.. 6).2) C(m1.2) 2/20 = 10% (25) 0. 6). 6).05 (d) 0.1) 720 (04.4) z/y (21.15 (c) 0. .3) 49/144 = 34.3) C(m -m1. 6) }.mat. kccc. p1)C(m2. . 1).43% (23) 0. (6. ACC.20 (20.3) Sim. (5.z (21.8) 1 (12) S = { cccc.1). p).38% (20) (20. (5..2) 70/144 = 48. 4).40 (27) (27. kcck. kkcc. 6). 6) } A∪B = { (3. ckcc.6). .1) C(m. 6) } A∩B = { (4. ckkk.97% (19) (19. (k.1) x + y . (k.pucrs..x + z (21. . (5.1) 576 (06. 1).95 (b) 0.3) 10 (11.5) 1 . (6.A∩B (17) A = { (3. ccck.30% (27. BB.4) P(A/B) = 0..x .3) 24 (04..y + z) / (1 .1) 35/132 = 26..20 = 20% (26.1) 35/144 = 24.z (21.1) 72/1892 = 3..2) 630/1892 = 33.82% (28) Não (29) Não Prof.3) 378/1892 = 19. (14) S = { AA. kkck. (13) S = { BC.P(B) (26. (6. (c. BK.1) 54 (11. p) (09.2) 17 (11. 5). kckk. (4.61% (19. p4) (09. p3)C(m4.4) 480 (05) 10 (06) (06.65 (21) (21. 1).. pois P(A∩B) = P(A).1)(n ..2) / 6. BCC. 1). 1).....

50 (45) 86% (46) 64% (47) 87% (48) 10/17 = 58.125 = 12.729 = 72.viali@mat.60 = 60% (40) 3/28 = 10.mat.50% (41.br .p .3) 30% (37.1) p = 0.12% (51) 2/3 = 66.50% (38) (38.1) 75% (37.pucrs.1) 5/9 (34.2) p = 0.6) 7/13 = 53.40 1 15/56 1 75/216 2 30/56 2 15/216 3 10/56 3 1/216 (37.1) 0.2) 20% (37.85% (53) (54) x f(x) x f(x) 2 1/4 6 0.90% (42) p(1 .1) 0.5) 92.71% (41) (41.pq (36) 90% (37) (37.40 = 40% e 0.http://www.30 (44.4) 15% (37.q + pq = (1 .p)(1 .q) + (1 .2) 2/3 (35) (35.1) 1.82% (49) 4/7 = 57.14% (50) 49/104 = 47.67% (52) x f(x) x f(x) 0 1/56 0 125/21 6 1 1/4 5 0.56% (34) (34.10 µ = 2.2) 0.20 4 1/4 8 0.2) p + q .pucrs.25 (55) Prof.q) (35.50 σ2 = 1.25% (31) 2/5 = 40% (32) (a) Sem reposição Resultados PP PV VP VV Total Probabilidades 6/56 15/56 15/56 20/56 1 (b) Com reposição Resultados PP PV VP VV Total Probabilidades 9/64 15/64 15/64 25/64 1 (33) 5/9 = 55.125 (38.p)q (43) 14% (44) (44.br/~lori/ 55 .2) Há dependência (39) 0.30 3 1/4 7 0.SÉRIE: Probabilidade INTRODUÇÃO (30) 43/91 = 47. Lorí Viali .

33 P(12.2) 1500 (70) 23.2) µ = 2.4 4 0.50) = 41.94% (67) Não (68) 90.2) 2 (75.90% (83) (83.2) 2 (76) (76. (85.2 2 0.55 (69.29% (75.92 e 1.12% (85.42% (69) (69.2 3 0.00 (58) R$ 140 (59) (59.69% (76.2) 5/4 -0.71% (pela Poisson) (78) P(X > 1/3) = 26/27 (79) k = 4 (80) (80.2) 63.1) µ = 4.41% (71) p = 1/5 = 0. (61) x f(x) x f(x) g f(g) 4.pucrs.SÉRIE: Probabilidade INTRODUÇÃO (56) x f(x) x f(x) 3 1/35 6 1/4 4 3/35 y 3/4 5 6/35 6 10/35 7 15/35 µ=6 σ2 = 1.20% (72.1) 23.3 3 0.75 (60) 925 vezes.90% (75) (75.viali@mat.mat.20 2 0. 2.1) 14.3) Prof.2) 16% (66) 10.20 mo = 7 σ = 1.2 4 0.30 2.5 0.78% (pela normal) 6.10 2 σ = 0.25 um (85) (85.21% ao mês contra os 3% ao mês do CDB.50 (82) E(X) = 15 V(X) = 8.60 (59.2 1 0.5 0.2) 70.31 < X < 16.30 1 0.2 2 0.0 0.2) σ2 = 0. 2.20 72) (72.1) E(X) = V(x) = 14. Lorí Viali .98% (65.1) (a) 14.16% (b) 84.2) 47.21%.1) 37.2 = 0.pucrs.4125 0 0.60 (81) 1/17.1) 3 (83.br .35% (77) 7.http://www.10 (57) µ = 6/4 + 3y/4 = 0 Þ y = -2 Ele deve pagar R$ 2.8 (84) 5e .1 3.98.2 µ=2 σ2 = 2 (62) µ=3 σ2 = 1 (63) A bolsa com expectativa de renda de 3. (64) Prejuízo de R$ 1000 (65) (65.1) E(X) = 1 (80.89% (73) 50% (74) 21.10 3.br/~lori/ 56 .3) 93.54% (76.1) 30.93% (c) 99.0 0.

3) 75% (101.25.28% (96) 4.85% P(D1 > 51) = 6.85 (98) 2. 5.44% (93.br .2) 47.33 u.3) 1.pucrs.1) 34.13% (92.2) 68.4) a = µ .1) Zero (101.viali@mat.pucrs.57% (99.1) 8.72% (88.1) 93.15% (100) (100.02 kg (97) 45.26% (89.2) h = 30 (101. 175.72% (88) (88.13% (87.33 kg.3) 50% (88.68% P(D2 > 45) = 50% P(D2 > 51) = 2.4) 84% (102) (102.1) 97.1) 3/4 = 75% (102.1) 35.1.28% (92) (92.06% exato) (100.22% (2.54 kg e 6.14% exato) (101) (101. (95) P(D1 > 45) = 30.4) a = 20 (89) (89.24% (87) (87.mat.2) 8/9 = 88.645 (89.2) 184 (93) (93.89% Prof.12% (86.br/~lori/ 57 .75) (90) (90.1) 8413 (91) 0.1) 15. Lorí Viali .87% (93.3) Não se altera (94) 9.4) 46.32% (88.72% (89.1) 22.2) 97.2) 95.1) 84.m.http://www.SÉRIE: Probabilidade INTRODUÇÃO (86) (86.2) 91.28% (87.645σ (90.0228 = 2.1) 2.2) 53.2) (164.3) 50% (87.11% (8.62% (99) (99.

Research and Education Association. Probabilidades: resumos teóricos. IEZZI. Pedro A. Lorí Viali . CYMBALISTA. Gerald J.mat. São Paulo: Atlas. Robert D...viali@mat. Mathematical Ideas. matrizes. 1972. Statistical Techniques in Business And Economics. [MIL90] MILLER. [COS74] COSTA NETO. 1991. Piscataway. 1987. Raymundo N. 3a ed. John. MORETTIN. Curso de Estatística. O. Rio de Janeiro: Livros Técnicos e Científicos. Frederick S. 1993. Probabilidade: aplicações à Estatística. 1968. São Paulo: Editora Edgard Blücher . Luiz M.pucrs. Charles D. Gilberto de Andrade. POPPE. B. Ruy Madsen. Paul L. 1988. determinantes e sistemas lineares. 1980. São Paulo: Pioneira...br/~lori/ 58 . exercícios resolvidos. [REA93] The Statistics Problem Solver. Teoria e Problemas de Probabilidade. IRWIN.. REFERÊNCIAS [BAC75] BACHX. [GUE81] GUELLI. Orlando (FL): Academic Press. Introdução à Pesquisa Operacional.pucrs. [LIP74] LIPSCHUTZ. São Paulo: Grupo de Estudos do Ensino da Matemática (GEEM). 1977. Lind A. Álgebra II: Análise combinatória. [NOG75] NOGUEIRA. Wilton O. Sheldon M.SÉRIE: Probabilidade INTRODUÇÃO 6. 1974. DOLCE. Estatística para Economistas. Probability and Statistics.. An Introduction to Probability Theory and Its Applications (vol. São Paulo: Editora Moderna. Hartcourt Brace Jovanovich Publishers. LIEBERMAN. Análise Combinatória. 1990. 1981. TAVARES. Osvaldo. [HIL88] HILLIER. Seymour. [ROS85] ROSS. [MAS90] MASON. 827p. São Paulo: McGraw-Hill. Arago de C. [MAR87] MARKLAND. 509 p. James R. Matemática Elementar: Combinatória e Probabilidades. Jairo Simon da. 1985. Prof. SWEIGART.. [ROT91] ROTHENBERG. Combinatória e Probabilidades. São Paulo: Atual. São Paulo: Campus e Editora da Universidade de São Paulo. [FEL68] FELLER. Melvin. Introduction to Probability Models. Vern E. [MEY78] MEYER. Estatística Básica. [HAZ77] HAZZAN. São Paulo: Atual. Cid A. Gelson. John New York: Wiley & Sons.. DOUGLAS. 1975. 1980. E. Quantitative Methods: Applications to Managerial Decision Making. MARTINS. [FON80] FONSECA. Orlando (FL). probabilidade. New Jersey. 1978.http://www. Ronald I. Rodolfo. 1). 1975. 225 p. 1986. New York: John Wiley & Sons. Boston. USA: Harper Collins Publishers.. São Paulo: Companhia Editora Nacional. Robert E. Prelúdio À Análise Combinatória. 1990. 502 p.br . Pedro Luís de Oliveira. exercícios propostos. HORNSBY Jr. [BAR72] BARBOSA. 1977. Rio. William. HEEREN. São Paulo: Atlas. [BUS86] BUSSAB. Samuel. [HOF80] HOFFMAN.

Sign up to vote on this title
UsefulNot useful